Image Mining og ctDNA for at forbedre risikostratificering og resultatforudsigelse i NSCLC ved anvendelse af kunstig intelligens.

Vores centrale hypotese er, at ejendommelige billedafledte og genetiske karakteristika er i overensstemmelse med sygdomsstadiet og patientens udfald. Derfor er de biomarkører for sygdomsbyrde og tilbagefald, som kan vurderes ikke-invasivt. Kombinationen gennem kunstig intelligens-metoder af data, der kommer fra medicinsk billeddannelse og cirkulerende cellefrit tumor-DNA (ctDNA), kan give nøjagtig iscenesættelse og forudsigelse af udfald. Denne hypotese er blevet formuleret baseret på beviser for, at medicinske billeder er i stand til at give meningsfulde data, der afspejler tumorkarakteristika, fanger iboende tumorheterogenitet, ikke-invasivt, ved hjælp af en helkrops- og hel-læsionsvurdering. Faktisk er avanceret analyse af medicinsk billeddannelse ved hjælp af radiomik, maskinlæring eller i kombination - image mining, blevet udforsket i de senere år. Billedafledte biomarkører, ved hjælp af teksturfunktionsekstraktion og konvolutionerende neurale netværksapplikationer, er blevet testet for at give "fænotype" information (malign vs godartet og histotype-identifikation og T- eller N-stadieinddeling. Desuden er der vist korrelationer mellem billedafledte kvantitative træk med vævsgenekspressionsmønstre, der forbinder billeddannelsesfænotyperne med genotypen, som også demonstreret i vores foreløbige data. For det andet er image mining-tilgang blevet foreslået for at give prognostisk information ved baseline-evaluering, som også vist i vores tidligere arbejde. Alligevel er få prospektive undersøgelser med robust metodisk tilgang blevet offentliggjort. På den anden side er analysen af ​​cirkulerende cellefri tumor-DNA (ctDNA) isoleret fra plasma fra lungekræftpatienter blevet foreslået som en alternativ metode til at vurdere sygdommen i de forskellige faser. Især ved diagnose, post-kirurgisk påvisning af resterende sygdom, identifikation af mutationer i metastatiske omgivelser til behandlingsvejledning og overvågning af behandlingsrespons. Selvom ctDNA er blevet påvist hos patienter med alle stadier af NSCLC, hvor niveauer stiger med stadie og tumorbyrde, er ctDNA-information endnu ikke blevet undersøgt med henblik på stadieinddeling. Muligheden for at detektere en tumor i den tidlige fase af dens udvikling eller gentagelsen skal tage højde for spørgsmålet om den lave mængde cfDNA hos patienter med minimal sygdomsbyrde. Desuden påvirker tilstedeværelsen af ​​en para-fysiologisk ctDNA-baggrund, især hos ældre mennesker, specificiteten. I denne henseende forventer efterforskerne, at kombinationen af ​​forskellige biomarkører vil gøre det muligt at løse dette problem. Analyser af kunstig intelligens bliver i stigende grad beskrevet i sundhedsapplikationer. I de senere år er overvågede, semi-superviserede og uovervågede maskinlæringsmetoder blevet anvendt til at analysere genomiske, proteomiske, kliniske data og radiografiske karakteristika. Dyb læringsmetoder giver muligheder for omfattende analyse af multidimensionelle data for forbedret prognose forudsigelse. Begrundelsen for det foreslåede projekt er, at når det først er kendt, hvilke billeddannelsesegenskaber og ctDNA-afledt information, der er forbundet med tumorstadiet og postoperativ risiko for tilbagefald, vil den udviklede algoritme være en effektiv og innovativ tilgang til både iscenesættelse og opfølgning. -up af patienter ramt af lungekræft, med konsekvenser for beslutningstagning i klinisk praksis.