Die Entwicklung, Sicherheit und Machbarkeit einer auf künstlicher Intelligenz basierenden Plattform (NodeAI) zur Echtzeitvorhersage der Malignität mediastinaler Lymphknoten während der endobronchialen Ultraschalluntersuchung bei Lungenkrebs (NodeAI)

Lungenkrebs ist weltweit die häufigste Krebstodesursache pro Jahr, mehr als Brust-, Prostata- und Dickdarmkrebs zusammen. Das Staging der Brustlymphknoten (LNs) ist ein entscheidender Schritt in der Lungenkrebsdiagnostik, da es bei Behandlungsentscheidungen hilft – unabhängig davon, ob ein Patient für eine Lungenresektion, Chemotherapie, Bestrahlung oder multimodale Behandlungen in Frage kommt. Die endobronchiale Ultraschall-Transbronchiale Nadelaspiration (EBUS-TBNA) ist der aktuelle Standard für das Brustknoten-Staging bei nicht-kleinzelligem Lungenkrebs (NSCLC). Die Richtlinien schreiben vor, dass zur Gewährleistung der Genauigkeit routinemäßig eine systematische Probenentnahme (SS) von mindestens drei Brust-LN-Stationen durchgeführt wird Inszenierung. Leider liefert EBUS-TBNA bei 40 % der Patienten ungenaue Ergebnisse, was zu falsch informierten Behandlungsentscheidungen führt. Dieser Anteil ist bei Patienten mit dreifach normalen LNs (LNs, die bei Computertomographie (CT)-Scans, Positronen-Emissions-Tomographie (PET)-Scans und EBUS normal erscheinen) viel höher, bei denen eine Wahrscheinlichkeit von > 93 % vorliegt, dass sie wirklich normal sind gutartig. Dies liegt daran, dass EBUS-TBNA auf Ultraschall basiert, dessen Erfolg stark von den Fähigkeiten der Person, die ihn durchführt (Operator), abhängt. Wenn der Bediener einen Fehler macht, ist der gesamte Vorgang gefährdet. Dies führt zu nachgelagerten Verzögerungen bei der Behandlung aufgrund wiederholter Tests und schlecht informierter Behandlungsentscheidungen.

Im letzten Jahrzehnt hat der Forscher eine Reihe von Forschungsstudien und Versuchen durchgeführt: die Entwicklung und Validierung des Canada Lymph Node Score (CLNS) – ein von Chirurgen abgeleitetes semiquantitatives Maß für LN-Malignität; eine auf künstlicher Intelligenz (KI) basierende Version des CLNS zur Vorhersage von Malignität; und eine völlig autonome KI, die gelernt hat, Bösartigkeit direkt anhand von Ultraschallbildern vorherzusagen, um KI in den Entscheidungsprozess bei NSCLC einzuführen. Dies führte zur Entwicklung einer KI-gestützten Software zur Vorhersage von Malignität in mediastinalen LNs von Patienten mit Lungenkrebs. Die Software befindet sich derzeit im Cloud-Speicher und ihre Anwendungen sind latent – ​​das bedeutet, dass LN-Bilder in die Software hochgeladen werden müssen und die Ergebnisse zu einem späteren Zeitpunkt empfangen werden. Aufgrund dieser Latenz ist die Software in ihrer aktuellen Form noch nicht für den klinischen Einsatz geeignet. In diesem Projekt möchte der Forscher ein Point-of-Care-Gerät bauen, das die Software (NodeAI) beherbergt und dem Chirurgen Ergebnisse in Echtzeit liefert. Dieses Gerät wird in einer klinischen Studie getestet.