Radiomisk og patomisk undersøgelse af hypofyseadenom ved hjælp af maskinlæring

Refraktær hypofyseadenom er karakteriseret ved invasiv tumorvækst, kontinuerlig vækst og/eller hormonhypersekretion på trods af standardiseret multimodal behandling såsom operationer, medicin eller stråling. Livskvalitet eller endda liv er truet af disse tumorer. Ifølge 2017 Verdenssundhedsorganisationens nye klassificeringsretningslinje for hypofyseadenom skal patienter lide af symptomer eller komplikationer forårsaget af disse tumorer, bære en tung økonomisk byrde og acceptere yderligere terapeutiske bivirkninger ved diagnosen "ildfast hypofyseadenom" er lavet. Hvis refraktær hypofyseadenom kunne forudsiges på et tidligt stadie, ville disse patienter være i stand til at få en hyppigere klinisk opfølgning, modtage flere effektiv behandling så tidligt som muligt eller endda blive indskrevet i kliniske forsøg med forsøgsmedicin for at forebygge eller forsinke tilbagefald eller vedvarende tumorvækst. Derfor falder det udækkede kliniske behov ind i et tidligt forudsigelsessystem for refraktære hypofyseadenomer, som kunne give præcis vejledning til efterfølgende behandling i det tidlige stadie. Efterforskerne har konstrueret en hypofyseadenomdatabase, der inkluderer kliniske data, radiologiske billeder, patologiske billeder og genetisk information. Efterforskerne foreslår en undersøgelse, der bruger maskinlæring til at udtrække funktioner fra disse multidimensionelle, multi-omics-data, som kan bruges yderligere til at træne en forudsigelsesmodel for risikoen for refraktær hypofyseadenom. Den foreslåede model vil også blive valideret i en anden prospektivt indsamlet database. Den etablerede model vil være i stand til at identificere potentielle medicinmål og give vejledning til personlig terapi af refraktær hypofyseadenom.