Aufbau und Validierung eines Bewertungsmodells der PCR nach NAT bei Brustkrebspatientinnen mit KI-Technologie

Brustkrebs ist weltweit die häufigste Krebsart bei Frauen. Die neoadjuvante Behandlung (NAT) ist Teil der standardisierten Behandlung von Brustkrebs und hat eine besondere Bedeutung bei lokal fortgeschrittenem Brustkrebs. Zahlreiche Studien haben gezeigt, dass Patienten, die nach NAT eine pathologische vollständige Remission (pCR) erreichen, möglicherweise bessere krankheitsfreie und Gesamtüberlebensraten haben, wodurch der Überlebensvorteil einer radikalen Operation weniger signifikant wird. Derzeit kann die pCR jedoch nur durch pathologische Tests an chirurgisch resezierten Proben beurteilt werden, und die Frage, ob die pCR präoperativ genau beurteilt werden kann, ist zu einem dringenden Problem geworden.

Die Technologie der künstlichen Intelligenz (KI) ist ein Zweig der Informatik, der versucht, das Wesen der Intelligenz zu verstehen und eine neue intelligente Maschine zu entwickeln, die ähnlich wie die menschliche Intelligenz reagieren kann, von der die Bilderkennung in der klinischen Forschung weit verbreitet ist Bestandteil der KI. In den letzten Jahren arbeiten mit der Entwicklung von KI und verwandten Algorithmen immer mehr Forscher an der Verwendung von Bildaufnahmen, um die Wirksamkeit von NAT genauer zu bestimmen, und versuchen, einen Bruchteil der Patienten, die eine pCR erreichen, von einer radikalen Operation auszunehmen und nie zu erreichen ein besseres Aussehen und Überlebensqualität.

Simons Team wählte 246 Patienten aus, die von 2006 bis 2016 das Salzburg Oncology Center in Australien besuchten, präoperative DCE-MRTs von Bildgebungswissenschaftlern mit mehr als 10 Jahren Erfahrung lesen ließen und eine vollständige Remission beurteilten, nur um ein pessimistischeres Ergebnis zu erhalten Ergebnis: ein positiver Vorhersagewert von nur 48 %. Jinsuns Team wählte Patienten aus, die sich von 2007 bis 2016 einer NAT im Samsung Medical Center unterzogen. Die Ergebnisse zeigten, dass der Kappa-Wert des Konkordanztests zwischen radiologischer vollständiger Remission (rCR) und Brust-pCR 0,459 betrug, und der Kappa-Wert des Konkordanztests zwischen axillärem rCR und axillärem pCR. Die Teams von Woo und Erika analysierten die Untergruppen, die zu falschen Ergebnissen führten. negative MRT-Bestimmungen von pCR und deuteten darauf hin, dass Patienten mit G1-2, Luminal A/B-Subtypen und nicht-klumpigem Enhancement Schwierigkeiten hatten, eine vollständige Remission durch MRT zu beurteilen. Es ist offensichtlich, dass es heute schwierig ist, traditionelle Modellierungsansätze für pCR zu verwenden, um das Ausmaß der klinischen Anwendung zu bestimmen.

Elizabeths Team verwendete präoperative MRT, KI-Technologie zur Merkmalsextraktion und klinisch-pathologische Informationen, um ein pCR-Bestimmungsmodell zu konstruieren, das im unabhängigen Validierungsset mit einer AUC von 0,83 (95 % KI: 0,71–0,94) gut abschnitt. Das Team von Imon verwendete die Riesz-Merkmalsextraktion, um den pCR bei dreifach negativen Brustkrebspatientinnen zu bestimmen, die sich einer NAT unterziehen, und der endgültige Modell-ROC erreichte 0,85. Das Team von Professor Yang Fan von der Abteilung für Radiologie des Wuhan Union Medical College Hospital, Wuhan, China, verwendete mehrphasige DCE-MRT-Parameter und maschinelle Lernalgorithmen, um das Modell zu erstellen, und der höchste ROC-Bereich unter der Kurve erreichte 0,919. Die obigen Ergebnisse zeigen, dass das pCR-Bestimmungsmodell der bildgebenden Histologie mit KI-Technologie eine große Verbesserung im Vergleich zum herkömmlichen Modell darstellt.

Obwohl immer mehr Studien die Bedeutung der bildgebenden Histologie für die NAT-pCR-Bestimmung bestätigen, weisen viele der aktuellen Studien einige Mängel auf. Bei der Bewertung anhand des internationalen Standards für die bildgebende Histologie RQS-Score wurde festgestellt, dass die meisten Studien: (i) externe Validierungskohorten fehlten; (ii) keine angemessenen Beschreibungen der Parameterextraktion bereitgestellt haben; (iii) es fehlte ein standardisiertes Verfahren für Bildgebungsparameter; und (iv) hatten kleine Probengrößen. Daher müssen systematischere und standardisierte Studien von der Mehrheit der Forscher noch durchgeführt werden.

Daher plant dieses Projekt die Etablierung und Validierung eines Modells zur Bestimmung der pCR nach NAT bei Brustkrebs auf der Grundlage klinischer Informationen, bildgebender und pathologischer Informationen von Brustkrebspatientinnen in mehreren Zentren unter Verwendung von Technologien der künstlichen Intelligenz gemäß internationalen Richtlinien und nationalem Expertenkonsens zur Brust Cancer NAT, um das Problem der chirurgischen Entscheidungsfindung für Patienten nach NAT zu lösen, indem Experten aus den Abteilungen für Brustmedizin, Chirurgie, Pathologie und Bildgebung in mehreren Krankenhäusern der Tertiärversorgung in ganz China zusammengebracht wurden. Das Modell wird validiert, um das Problem der chirurgischen Entscheidungsfindung für Post-NAT-Patienten zu lösen.