Predicción de la respuesta a la quimiorradiación neoadyuvante en el cáncer de esófago mediante inteligencia artificial y aprendizaje automático (QARC)

En el carcinoma de esófago, la quimiorradioterapia concurrente neoadyuvante (NA-CCRT) seguida de cirugía es el estándar de atención actual y se ha acumulado una amplia evidencia que respalda la opinión de que la respuesta patológica completa (pCR) es un marcador de pronóstico positivo para mejores resultados. Predecir la probabilidad de lograr PCR antes del tratamiento neoadyuvante podría permitir la modificación de los protocolos de tratamiento para aquellos pacientes que probablemente no logren PCR.

La radiómica es un nuevo participante en el campo de la imagen donde las características específicas se derivan de la intensidad y el patrón de distribución de los píxeles en función de una región de interés (ROI). Las características así extraídas se pueden usar para el modelado de predicción similar a otros conjuntos de datos -omics. Se han realizado investigaciones preliminares que examinan su utilidad y, hasta ahora, sus aplicaciones se han centrado en la detección y la predicción de la supervivencia después del tratamiento. Debido a la naturaleza multidimensional de los datos extraídos mediante radiómica, los métodos de inteligencia artificial (IA) son ideales para analizar y modelar características radiómicas.

El aprendizaje automático (ML) y el aprendizaje profundo (DL) [utilizando redes neuronales convolucionales (CNN)] son ​​parte del marco de la IA. En contraste con ML, DL es un nuevo participante y algunos investigadores médicos lo han utilizado para modelar utilizando algoritmos de tipo de predicción. Además de reducir significativamente el flujo de trabajo asociado con la investigación basada en radiómica, la ingeniería de características y el modelado mediante DL son inmunes a los efectos de una delineación incorrecta del ROI. Sin embargo, la principal limitación de DL es el efecto de 'caja negra', en el que se desconoce la base subyacente de una CNN. Esto se ha mitigado en parte mediante la visualización de mapas de activación directamente en el conjunto de datos de imágenes para probar la plausibilidad biológica de las predicciones. Tampoco se conoce el rendimiento comparativo de ambos tipos de modelado.

Nuestro objetivo es investigar la probabilidad de pCR en nuestra población de estudio utilizando modelos basados ​​​​en IA y ML basados ​​​​en radiómica. También investigaremos el rendimiento comparativo de ambas técnicas de modelado. Para el modelado de predicción basado en DL, intentaremos proporcionar plausibilidad biológica sobre la base de mapas de activación.