Vorhersage des Ansprechens auf neoadjuvante Radiochemotherapie bei Speiseröhrenkrebs mit künstlicher Intelligenz und maschinellem Lernen (QARC)

Beim Ösophaguskarzinom ist die neoadjuvante gleichzeitige Chemo-Radiotherapie (NA-CCRT) gefolgt von einer Operation der aktuelle Behandlungsstandard, und es liegen zahlreiche Beweise vor, die die Ansicht stützen, dass ein vollständiges pathologisches Ansprechen (pCR) ein positiver prognostischer Marker für verbesserte Ergebnisse ist. Die Vorhersage der Wahrscheinlichkeit des Erreichens einer pCR vor einer neoadjuvanten Behandlung könnte eine Modifikation der Behandlungsprotokolle für jene Patienten ermöglichen, die eine pCR wahrscheinlich nicht erreichen werden.

Radiomics ist ein Neuling auf dem Gebiet der Bildgebung, bei dem spezifische Merkmale aus der Intensität und dem Verteilungsmuster von Pixeln basierend auf einer Region-of-Interest (ROI) abgeleitet werden. Die so extrahierten Merkmale können dann für die Vorhersagemodellierung ähnlich wie bei anderen -omics-Datensätzen verwendet werden. Vorläufige Untersuchungen zur Untersuchung seiner Nützlichkeit wurden durchgeführt, und seine Anwendungen konzentrierten sich bisher auf Screening und Überlebensvorhersage nach der Behandlung. Aufgrund der Multidimensionalität von Daten, die mit Radiomics extrahiert werden, eignen sich Methoden der Künstlichen Intelligenz (KI) ideal zur Analyse und Modellierung radiomischer Merkmale.

Maschinelles Lernen (ML) und Deep Learning (DL) [unter Verwendung von Convolutional Neural Networks (CNN)] sind beide Teil des KI-Frameworks. Im Gegensatz zu ML ist DL ein Neuzugang und wurde von einigen medizinischen Forschern für die Modellierung unter Verwendung von Vorhersagealgorithmen verwendet. Neben der erheblichen Reduzierung des mit Radiomics-basierter Forschung verbundenen Arbeitsablaufs sind Feature-Engineering und Modellierung mit DL immun gegen die Auswirkungen einer falschen ROI-Abgrenzung. Die Hauptbeschränkung von DL ist jedoch der „Blackbox“-Effekt, bei dem die zugrunde liegende Grundlage eines CNN nicht bekannt ist. Dies wurde teilweise durch die Visualisierung von Aktivierungskarten direkt auf dem Bilddatensatz abgemildert, um die biologische Plausibilität von Vorhersagen zu beweisen. Die vergleichende Leistung beider Modellierungsarten ist ebenfalls nicht bekannt.

Unser Ziel ist es, die pCR-Wahrscheinlichkeit in unserer Studienpopulation mithilfe von Radiomics-basiertem ML und KI-basierter Modellierung zu untersuchen. Wir werden auch die vergleichende Leistung beider Modellierungstechniken untersuchen. Für die DL-basierte Vorhersagemodellierung werden wir versuchen, biologische Plausibilität auf der Grundlage von Aktivierungskarten bereitzustellen.