AI for lungekræftrisikodefinition i computertomografiscreeningsprogrammer

Lungekræft udgør 28 % af alle kræftdødsfald i Europa, med 70 % af patienterne diagnosticeret i fremskredne stadier og kun 21 % 5-års overlevelse. På trods af rygnings årsagssammenhæng med næsten 90 % af tilfældene, fortsætter den globale rygning, hvilket udgør en langsigtet folkesundhedsudfordring. Vores fokus ligger i at forfine lungekræftrisikovurderingen ved hjælp af blodbaserede biomarkører, især cirkulerende mikroRNA'er (miRNA'er) og C-reaktivt protein. Biennale LDCT-screeninger og blodprøver, der forudsiger risiko for lungekræft, har vist effektivitet, som det ses i vores banebrydende arbejde inden for BioMILD-forsøget siden 2013.

BioMILD-forsøget, der omfatter 4119 frivillige, kombinerer LDCT- og mikroRNA-biomarkører, hvilket viser gennemførlighed og sikkerhed over 4 år. Vores nuværende bestræbelse sigter mod at udvikle en prædiktiv model for LDCT-detekterede højrisiko-lungeknuder, der inkorporerer blod-, funktionelle og radiomikroskopiske biomarkører. Ved at udnytte BioMILD-studiets biodepot, billeddatabase og 20 patientafledte xenografter (PDX'er) bruger vi avancerede kunstig intelligens (AI) værktøjer til omfattende analyse. Denne tilgang, der involverer 400 forsøgspersoner med solide og subsolide LDCT-lungeknuder, inklusive 100 baseline-identificerede cancerpatienter, er afgørende.

Ved at kombinere blodbaserede biomarkører, radiologiske parametre, kliniske egenskaber og AI-værktøjer, sigter vi mod at skabe en robust model. Denne model vil blive valideret ved hjælp af et uafhængigt sæt af 100 forsøgspersoner (25 med og 75 uden lungekræft) fra det igangværende SMILE-screeningsforsøg. Hvis det lykkes, er vores vision at implementere dette panel prospektivt i kliniske sammenhænge, ​​hvor det viser sig gavnligt. Vores mission er at reducere dødeligheden af ​​lungekræft, optimere screeningsinterventioner med nye, ikke-invasive værktøjer til alle højrisikopersoner og samtidig minimere omkostninger og strålingseksponeringsrelaterede skader.

Mål 1 Vurdering af en immunsignaturklassifikator (ISC) på prøver fra perifere blodmononukleære celler (PBMC) indsamlet fra screen-detekterede faste og subsolid LDCT-lungeknuder og integration af ISC med eksisterende biomarkører såsom MSC-testen og c-Reactive Protein (cRP).

Mål 2 Evaluering af radiologiske træk og andre LDCT-markører relateret til respiratoriske og kardiovaskulære lidelser.

Mål 3 Udvikling af en risikoklassifikator ved hjælp af AI-værktøjer baseret på kombination af blodbiomarkører, billeddannelse og kliniske data for at forbedre LDCT-screeningsfølsomhed og positiv prædiktiv værdi.