Udvikling af klinisk højeffektive platforme til individualiseret behandling af livmoderhalskræft

For mål 1. Automatisk afgrænsning af komplekse tumormål for livmoderhalskræft for Gross Tumor Volume (GTV) ved baseline og ved brachyterapi og High Risk Clinical Target Volume (CTV) ved baseline og brachyterapi vil blive udført på MR.

Følgende strukturer vil blive behandlet til automatisering på CT

1. Lavrisiko klinisk målvolumen (lavrisiko-CTV)
2. GTV: Nodal
3. Valgfri nodal bækkenmålvolumen
4. Valgfri nodal bækken og paraaortisk volumen
5. Endetarm
6. Blære
7. Sigmoid
8. Tarm
9. Knoglemarv

Til mål 2. Efterforskeren har til hensigt at anvende maskinlæring til at udvikle mere robuste modeller til forudsigelse af normal vævstoksicitet. Yderligere avancerede teknikker som teksturanalyse af strålingsdosiskort og opfølgende vævstæthed vil også blive udført for at udvikle prædiktive modeller for toksicitet. Ved at bruge vores patientdatasæt ønsker Investigator at skabe et bibliotek af protonstråleplaner med protonplanlægningssystemer, der vil være tilgængelige i afdelingen for strålingsonkologi, og ved at bruge de udviklede normale vævskomplikationsplot, der er tilgængelige, kan informationen om opnåelige doser gennem protoner hjælpe med at identificere patienter, der vil have gavn af protonterapi.

For mål 3. Inden for dette projekt har efterforskeren til hensigt at integrere stadie-, patologi- og kvantitative billedteksturfunktioner til responsforudsigelse og identifikation af "højrisiko-kohorte" i livmoderhalskræft. Billeder og kliniske data fra patienter, der har MRI ved baseline, vil blive inkluderet. Teksturfunktionerne kan bruges til at kategorisere "gode" og "dårlige respondere" efter kemoradiation. For den samme kohorte af patienter har investigator også væv tilgængeligt, herunder resultater af yderligere biomarkører (såsom AKT, LICAM, PDL1, CD4 og CD8). Efterforskeren har til hensigt først at korrelere forskelle i teksturtræk og se, om der er et mønster af forskellige molekylære træk. I andet trin kunne billeddannelse og molekylære funktioner integreres til udvikling af "risikoforudsigelsesmodeller". GTV og HRCTV afgrænset på 150 datasæt ved baseline og brachyterapi inden for mål 1 vil blive brugt til at kategorisere respondere og ikke-respondere og validere yderligere 150 patientdatasæt.