Konstruktion og validering af en vurderingsmodel for PCR efter NAT på brystkræftpatienter med AI-teknologi

Brystkræft er den mest udbredte kræftform blandt kvinder på verdensplan. Neoadjuverende behandling (NAT) er en del af den standardiserede behandling af brystkræft og er især vigtig for lokalt fremskreden brystkræft. Talrige undersøgelser har vist, at patienter, der opnår patologisk komplet respons (pCR) efter NAT, kan have bedre sygdomsfrie og overordnede overlevelsesrater, hvilket gør overlevelsesfordelen ved radikal kirurgi mindre signifikant. Men på nuværende tidspunkt kan pCR kun bedømmes ved patologisk testning af kirurgisk resekerede prøver, og spørgsmålet om, hvorvidt pCR kan bedømmes præcist præoperativt, er blevet et presserende problem.

Kunstig intelligens (AI) teknologi er en gren af ​​datalogi, der forsøger at forstå essensen af ​​intelligens og producere en ny intelligent maskine, der kan reagere på samme måde som menneskelig intelligens, hvoraf billedgenkendelse er meget brugt i klinisk forskning som en vigtig komponent af AI. I de senere år, med udviklingen af ​​AI og relaterede algoritmer, arbejder flere og flere forskere på brugen af ​​billedbilleder til at bestemme effektiviteten af ​​NAT mere præcist, idet de forsøger at fritage en brøkdel af patienter, der opnår pCR fra radikal kirurgi og aldrig opnår et bedre udseende og kvalitet af overlevelse.

Simons team udvalgte 246 patienter, som deltog i Salzburg Oncology Center i Australien fra 2006-2016, fik læst præ-kirurgisk DCE-MRI af billeddannende forskere med mere end 10 års erfaring, og afgav en bedømmelse af fuldstændig remission, kun for at opnå en mere pessimistisk resultat: en positiv prædiktiv værdi på kun 48 %. jinsuns team udvalgte patienter, der gennemgik NAT på Samsung Medical Center fra 2007-2016. Resultaterne viste, at kappa-værdien af ​​overensstemmelsestesten mellem radiologisk fuldstændig respons (rCR) og bryst-pCR var 0,459, og kappa-værdien af ​​overensstemmelsestesten mellem aksillær rCR og aksillær pCR Woo's og Erikas hold analyserede de undergrupper, der førte til falsk- negative MR-bestemmelser af pCR og antydede, at patienter med G1-2, Luminal A/B-subtyper og ikke-klumpet forstærkning havde svært ved at vurdere fuldstændig remission ved MR. Det er tydeligt, at det nu er vanskeligt at bruge traditionelle modelleringsmetoder for pCR til at bestemme niveauet af klinisk anvendelse.

Elizabeths team brugte præoperativ MR, AI-teknologi til ekstraktion af funktioner og klinisk patologisk information til at konstruere en pCR-bestemmelsesmodel, som fungerede godt i det uafhængige valideringssæt med en AUC på 0,83 (95 % CI: 0,71-0,94). Imons team brugte Riesz-funktionsekstraktion til at bestemme pCR i triple-negative brystkræftpatienter, der gennemgår NAT, og den endelige model ROC nåede 0,85. Professor Yang Fans team fra afdelingen for radiologi, Wuhan Union Medical College Hospital, Wuhan, Kina, brugte flerfasede DCE-MRI-parametre og maskinlæringsalgoritmer til at bygge modellen, og det højeste ROC-område under kurven nåede 0,919. Ovenstående resultater viser, at pCR-bestemmelsesmodellen for billeddannende histologi med AI-teknologi er en stor forbedring sammenlignet med den traditionelle model.

Selvom et stigende antal undersøgelser har bekræftet vigtigheden af ​​billeddannende histologi for NAT pCR-bestemmelse, har mange af de nuværende undersøgelser nogle mangler. Når de blev evalueret ved hjælp af den internationale standard billeddannende histologiske RQS-score, blev det fundet, at de fleste af undersøgelserne: (i) manglede eksterne valideringskohorter; (ii) ikke gav passende beskrivelser af parameterekstraktion; (iii) manglede en standardiseret proces til billeddannelsesparametre; og (iv) havde små prøvestørrelser. Derfor mangler de fleste forskere endnu at gennemføre mere systematiske og standardiserede undersøgelser.

Derfor planlægger dette projekt at etablere og validere en model til bestemmelse af pCR efter NAT i brystkræft baseret på klinisk information, billeddannelse og patologisk information fra brystkræftpatienter i flere centre ved brug af kunstig intelligens teknologi i overensstemmelse med internationale retningslinjer og indenlandsk ekspertkonsensus om bryst. cancer NAT, for at løse problemet med kirurgisk beslutningstagning for patienter efter NAT, ved at kombinere eksperter fra brystmedicin, kirurgi, patologi og billeddiagnostiske afdelinger på adskillige tertiære hospitaler i hele Kina. Modellen vil blive valideret for at løse problemet med kirurgisk beslutningstagning for post-NAT-patienter.