Udviklingen, sikkerheden og gennemførligheden af ​​en kunstig intelligens-drevet platform (NodeAI) til realtidsforudsigelse af mediastinal lymfeknude malignitet under endobronchial ultralydsstadieinddeling for lungekræft (NodeAI)

Lungekræft er den førende årsag til årlige kræftdødsfald globalt, mere end bryst-, prostata- og tyktarmskræft tilsammen. Stadieinddelingen af ​​thoraxlymfeknuder (LN'er) er et afgørende skridt i den lungekræftdiagnostiske vej, fordi den hjælper med behandlingsbeslutninger - uanset om en patient er en kandidat til lungeresektion, kemoterapi, stråling eller multimodale behandlinger. Endobronchial Ultrasound Transbronchial Needle Aspiration (EBUS-TBNA) er den nuværende standard for thorax nodal stadieinddeling for ikke-småcellet lungecancer (NSCLC), og retningslinjer kræver, at systematisk prøveudtagning (SS) af mindst 3 thorax LN-stationer udføres rutinemæssigt for nøjagtig iscenesættelse. Desværre giver EBUS-TBNA unøjagtige resultater hos 40 % af patienterne, hvilket fører til misinformerede behandlingsbeslutninger. Denne andel er meget højere hos patienter med Triple Normal LN'er [LN'er, der virker normale på computertomografi (CT)-scanninger, positronemissionstomografi (PET)-scanninger og EBUS], som har vist sig at have en > 93 % chance for at være virkelig godartet. Dette skyldes, at EBUS-TBNA er baseret på ultralyd, hvis succes i høj grad afhænger af dygtigheden hos den person, der udfører det (operatør). Når operatøren laver en fejl, er hele proceduren i fare. Dette forårsager nedstrøms forsinkelser i behandlingen på grund af gentagne tests og dårligt informerede behandlingsbeslutninger.

I løbet af det sidste årti har efterforskeren gennemført en række forskningsundersøgelser og forsøg: udvikling og validering af Canadas lymfeknude-score (CLNS) - et kirurg-afledt semi-kvantitativt mål for LN-malignitet; en kunstig intelligens (AI)-baseret version af CLNS til at forudsige malignitet; og en fuldt autonom AI, der lærte at forudsige malignitet direkte fra ultralydsbilleder, for at introducere AI til beslutningsvejen i NSCLC. Dette resulterede i skabelsen af ​​en AI-drevet software til at forudsige malignitet i mediastinale LN'er hos patienter med lungekræft. Softwaren er i øjeblikket placeret i cloud storage, og dens applikationer er latente - hvilket betyder, at LN billeder skal uploades til softwaren, og resultater modtages på et fremtidigt tidspunkt. I sin nuværende form er softwaren ikke klar til klinisk anvendelse på grund af denne latenstid. I dette projekt sigter efterforskeren på at bygge en point-of-care-enhed, som skal huse softwaren (NodeAI) og levere resultater i realtid til kirurgen, og denne enhed vil blive testet i et klinisk forsøg.