Serum- og vævsmetabolitbaseret forudsigelse af sentinel-lymfeknudemetastase i brystkræft

Brystkræft er en ondartet tumor med den højeste sygelighed og dødelighed blandt kvinder på verdensplan. Nøjagtig stadieinddeling af aksillære lymfeknuder er afgørende for metastatisk vurdering og beslutninger vedrørende behandlingsmodaliteter hos brystkræftpatienter. Blandt de patienter, der fik foretaget sentinel lymfeknudebiopsi, havde omkring 70 % af patienterne negative patologiske resultater, og med andre ord, disse 70 % af patienterne fik unødvendig operation. På nuværende tidspunkt er billeddiagnostik og patologisk diagnose det vigtigste mål for lymfeknudemetastase ved brystkræft. Der var dog stadig begrænsninger. Kunstig intelligens, herunder deep learning og maskinlæringsalgoritmer, er dukket op som en mulig teknik, der kan lave en mere nøjagtig forudsigelse gennem maskinbaseret indsamling, indlæring og bearbejdning af tidligere information, især inden for radiologi og patologibaseret diagnose. Med intensiveringen af ​​begrebet præcisionsmedicin og udviklingen af ​​ikke-invasiv teknologi har vi til hensigt at bruge den kunstige intelligens-teknologi til at udvikle en serum- og vævsbaseret prædiktiv model til diagnose af metastaser fra sentinel lymfeknuder kombineret med billeddannelse og patologisk information, hvilket giver specifikke, effektive og ikke-invasive biologiske indikatorer til overvågning og tidlig intervention af lymfeknudemetastaser hos patienter med brystkræft. Derfor inkluderer vi retrospektivt serumprøver fra tidlige brystkræftpatienter, der gennemgår sentinel lymfeknudebiopsi, herunder en opdagelseskohorte og en modelleringskohorte. Metabolitter blev påvist og screenet i opdagelseskohorten og derefter som målmetabolitter til målrettet påvisning i modelleringskohorten. Kombineret med præoperativ billeddannelse og patologisk information vil der blive etableret en forudsigelsesmodel for metastaser fra brystkræft sentinel lymfeknude baseret på serummetabolitter. Efterfølgende vil multicenter brystkræftpatienter prospektivt inkludere for at verificere nøjagtigheden og stabiliteten af ​​vores model.