Deep Learning for muskuloskletale komplikationer ved brystkræft

Overlevelse efter brystkraft har øget på grund af tidlig diagnose og fremskridt i behandlingsmetoder. Muskuloskeletale problemer relateret til kraft og dens behandling udgør en betydelig del af den daglige praksis for fysiater og genoptræningsspecialister involveret i onkologisk genoptræning.

Lymfødem kan forekomme på ethvert tidspunkt i en patients liv efter brystkraft. Patienter med brystkraft-relateret lymfødem kræver livslang behandling, og efterhånden som lymfødemets stadium fremskrider, falder responset på terapi. Avancerede stadier af lymfødem påvirker den funktionelle status negativt, og patienter oplever vanskeligheder med at udføre daglige livsaktiviteter.

Axillært web-syndrom (AWS) er karakteriseret ved en stram snor, der strækker sig fra armhulen til håndfladens overflade, typisk visende sig inden for de første 8 uger postoperativt. AWS kan komplicere administrationen af stråleterapi. Skulderdysfunktion kan forekomme uafhængigt eller i forbindelse med AWS. Især scapular dyskinesi, der udvikles efter mastektomi, kan føre til sekundære skulderlidelser som rotator cuff-syndrom eller adhesiv kapsulitis, som almindeligvis observeres hos disse patienter.

Perifer neuropati ses ofte hos patienter, der modtager kemoterapi, hvilket påvirker dagligdagen negativt og nogle gange forhindrer fortsættelsen af behandlingen. Andre komplikationer relateret til kemoterapi og stråleterapi inkluderer kardiotoksicitet, pulmonal toksicitet, træthed, osteoporose og kognitiv svækkelse.

Der er også specifikke smertefulde syndromer, der kan forekomme efter brystkraft, herunder post-mastektomi smerte-syndrom, fantomsmertet i brystet og muskuloskeletale symptomer forbundet med aromatasehæmmere. Alle disse tilstande kan betydeligt nedsætte den daglige funktion og endda hindre fortsættelsen af kraftbehandlingen. Derfor er det afgørende at forudsige disse komplikationer og implementere eller udvikle forebyggende indgreb.

Hvis det er muligt at forudsige den tidlige udvikling af lymfødem, axillært web-syndrom, perifer neuropati og smertefulde syndromer efter brystkraft, kan tidlig intervention måske forhindre progression. Dette studie er designet til at udvikle og validere en prædiktiv model ved hjælp af deep learning-metoder for at bestemme risikoen for disse komplikationer hos patienter, der gennemgår brystkraftoperation. Blandt deep learning-arkitekturer er ResNet50, AlexNet, GoogleNet og UNet, som er blevet bredt anvendt i nyere studier, planlagt implementeret.

Derudover vil et risikoberegningsprogram blive udviklet baseret på resultaterne af dette studie, hvilket giver klinikere mulighed for at indtaste baseline patientdata og beregne den enkelte patients risiko for hver komplikation før behandling. Der forventes ingen specifik risiko i studiet.