Image Mining und ctDNA zur Verbesserung der Risikostratifizierung und Ergebnisvorhersage bei NSCLC unter Anwendung künstlicher Intelligenz.

Unsere zentrale Hypothese ist, dass besondere bildbasierte und genetische Merkmale mit dem Krankheitsstadium und dem Patientenergebnis übereinstimmen. Daher sind sie Biomarker für Krankheitslast und Rückfälle, die nicht-invasiv beurteilt werden können. Die Kombination von Daten aus der medizinischen Bildgebung und zirkulierender zellfreier Tumor-DNA (ctDNA) durch Methoden der künstlichen Intelligenz kann eine genaue Stadieneinteilung und Ergebnisvorhersage ermöglichen. Diese Hypothese wurde auf der Grundlage der Beweise formuliert, dass medizinische Bilder aussagekräftige Daten liefern können, die Tumoreigenschaften widerspiegeln und die intrinsische Tumorheterogenität nicht-invasiv mithilfe einer Ganzkörper- und Ganzläsionsbewertung erfassen. Tatsächlich wurde in den letzten Jahren eine fortgeschrittene Analyse der medizinischen Bildgebung mithilfe von Radiomics, maschinellem Lernen oder in Kombination – Image Mining – erforscht. Bildabgeleitete Biomarker wurden mittels Texturmerkmalsextraktion und Anwendung eines Faltungs-Neuronalen Netzwerks getestet, um „Phänotyp“-Informationen (bösartig vs. gutartig, Histotypidentifizierung und T- oder N-Stufe) bereitzustellen. Darüber hinaus wurden Korrelationen zwischen bildabgeleiteten quantitativen Merkmalen und Gewebe-Genexpressionsmustern gezeigt, die die bildgebenden Phänotypen mit dem Genotyp verknüpfen, wie auch in unseren vorläufigen Daten gezeigt. Zweitens wurde ein Image-Mining-Ansatz vorgeschlagen, um prognostische Informationen bei der Basisbewertung bereitzustellen, wie auch in unserer früheren Arbeit gezeigt. Dennoch wurden nur wenige prospektive Studien mit einem robusten methodischen Ansatz veröffentlicht. Andererseits wurde die Analyse zirkulierender zellfreier Tumor-DNA (ctDNA), die aus dem Plasma von Lungenkrebspatienten isoliert wurde, als alternative Methode zur Beurteilung der Krankheit in den verschiedenen Phasen vorgeschlagen. Insbesondere bei der Diagnose, der postoperativen Erkennung von Resterkrankungen, der Identifizierung von Mutationen im metastasierten Umfeld zur Behandlungsberatung und Überwachung des Behandlungsansprechens. Auch wenn bei Patienten mit NSCLC in allen Stadien ctDNA nachgewiesen wurde, wobei die Konzentration mit dem Stadium und der Tumorlast zunimmt, wurden die ctDNA-Informationen noch nicht zum Zweck der Stadieneinteilung untersucht. Die Möglichkeit, einen Tumor in der frühen Phase seiner Entwicklung oder seines Wiederauftretens zu erkennen, muss mit dem Problem der geringen Menge an cfDNA bei Patienten mit minimaler Krankheitslast konfrontiert werden. Darüber hinaus beeinflusst das Vorhandensein eines paraphysiologischen ctDNA-Hintergrunds, insbesondere bei älteren Menschen, die Spezifität. In dieser Hinsicht erwarten die Forscher, dass die Kombination verschiedener Biomarker eine Lösung dieses Problems ermöglichen wird. Analysen künstlicher Intelligenz werden zunehmend in Anwendungen im Gesundheitswesen beschrieben. In den letzten Jahren wurden überwachte, halbüberwachte und unüberwachte Methoden des maschinellen Lernens zur Analyse genomischer, proteomischer, klinischer Daten und radiologischer Merkmale eingesetzt. Deep-Learning-Methoden bieten Möglichkeiten zur umfassenden Analyse mehrdimensionaler Daten für eine verbesserte Prognosevorhersage. Der Grundgedanke für das vorgeschlagene Projekt besteht darin, dass, sobald bekannt ist, welche Bildgebungsmerkmale und aus der ctDNA abgeleiteten Informationen mit dem Tumorstadium und dem postoperativen Rückfallrisiko verknüpft sind, der entwickelte Algorithmus ein effektiver und innovativer Ansatz sowohl für die Stadieneinteilung als auch für die Nachsorge sein wird --up von Patienten, die von Lungenkrebs betroffen sind, mit Auswirkungen auf die Entscheidungsfindung in der klinischen Praxis.