Künstliche Intelligenz und Krebs-Staging bei malignen Erkrankungen des oberen Gastrointestinaltrakts

Speiseröhren- und Magenkrebs, die Krebserkrankungen der oberen Region des Verdauungssystems darstellen, sind Krebsarten, die häufig beobachtet werden und leider eine geringe Heilungsrate aufweisen. In diesen Fällen ist das Krebsstadium zum Zeitpunkt der Diagnose aus zwei Gründen sehr wichtig; Erstens steht das Stadium des Krebses in direktem Zusammenhang mit der Überlebenszeit. Zweitens wird die Behandlung stadiengerecht geplant. Verschiedene Behandlungen werden bei Patienten in verschiedenen Stadien angewendet. Derzeit ist das TNM-Staging-System (Tumor, Lymphknoten und Metastasen) weltweit anerkannt. Trotz vieler fortschrittlicher Technologieinstrumente, die beim Staging verwendet werden (Computertomographie, Magnetresonanztomographie, endoskopischer Ultraschall), gibt es immer noch Schwierigkeiten beim korrekten Staging vor der Operation oder vor und nach der neoadjuvanten Therapie. Techniken der künstlichen Intelligenz werden zunehmend im Gesundheitsbereich eingesetzt, insbesondere bei der Diagnose und Behandlung von Krebs. Aus der Gewinnung von Krebsdetails in radiologischen Bildern, die für das menschliche Auge nicht wahrnehmbar sind, durch die Analyse von Big Data mit Hilfe von Algorithmen entstand das Anwendungsgebiet „Radiomics“. Es wird angegeben, dass es mit Radiomics Verbesserungen sowohl bei der Diagnose als auch beim Staging von Krebs und dementsprechend bei der Behandlung geben wird. Während es Studien zum Einsatz endoskopischer Methoden mit künstlicher Intelligenz zur Früherkennung von Speiseröhrenkrebs gibt, wurde eine begrenzte Anzahl von Studien zur Stadieneinschätzung aus radiologischen Bildern durchgeführt. Insbesondere zur Untersuchung von Tumorgrößenveränderungen nach Chemotherapie mit künstlicher Intelligenz und der Abschätzung des Stagings liegen zu wenige Studien vor. Ziel dieser Studie war es, die Vorhersageeffizienz des Stagings und die Genauigkeit des mit künstlicher Intelligenz entwickelten Algorithmus zu untersuchen, indem Tomographiebilder in einer Region verarbeitet wurden, in der Speiseröhrenkrebs als primäres Ergebnis endemisch ist, und die Mortalität und Morbidität nach der Behandlung zu bewerten Raten und Komplikationsraten der Patienten als sekundäres Ergebnis.