Desarrollo de plataformas clínicamente altamente eficientes para el tratamiento individualizado del cáncer de cuello uterino

Para el Objetivo 1. La delineación automática de objetivos tumorales complejos para el cáncer de cuello uterino para el Volumen tumoral bruto (GTV) al inicio y en la braquiterapia y el Volumen objetivo clínico de alto riesgo (CTV) al inicio y la braquiterapia se realizará en MRI.

Las siguientes estructuras se procesarán para la automatización en CT

1. Volumen objetivo clínico de bajo riesgo (CTV de bajo riesgo)
2. GTV: Nodal
3. Volumen objetivo pélvico nodal electivo
4. Volumen pélvico y paraaórtico nodal electivo
5. Recto
6. Vejiga
7. Sigmoideo
8. Intestino
9. Médula ósea

Para el objetivo 2. El investigador tiene la intención de emplear el aprendizaje automático para desarrollar modelos de predicción de toxicidad de tejidos normales más sólidos. También se realizarán otras técnicas avanzadas, como el análisis de textura de los mapas de dosis de radiación y el seguimiento de la densidad del tejido, para desarrollar modelos predictivos de toxicidad. Mediante el uso de nuestros conjuntos de datos de pacientes, el investigador desea crear una biblioteca de planes de haces de protones con los sistemas de planificación de protones que estarán disponibles en el departamento de oncología radioterápica y mediante el uso de los gráficos desarrollados de complicaciones de tejidos normales disponibles, la información de las dosis alcanzables a través de los protones puede ayudar a identificar pacientes que se beneficiarán de la terapia de protones.

Para el objetivo 3. Dentro de este proyecto, el investigador tiene la intención de integrar características de textura de imágenes cuantitativas, patológicas y de estadificación para la predicción de la respuesta y la identificación de "cohortes de alto riesgo" en el cáncer de cuello uterino. Se incluirán imágenes y datos clínicos de pacientes que se sometieron a una resonancia magnética al inicio del estudio. Las características de la textura se pueden usar para categorizar a los pacientes con "buena" y "mala respuesta" después de la quimiorradiación. Para la misma cohorte de pacientes, el investigador también tiene tejido disponible, incluidos los resultados de biomarcadores adicionales (como AKT, LICAM, PDL1, CD4 y CD8). El investigador tiene la intención de correlacionar primero la diferencia en las características de la textura y ver si hay un patrón de diferentes características moleculares. En el segundo paso, las imágenes y las características moleculares podrían integrarse para desarrollar "modelos de predicción de riesgos". GTV y HRCTV delineados en 150 conjuntos de datos al inicio y la braquiterapia dentro del Objetivo 1 se utilizarán para categorizar a los respondedores y no respondedores y validar otros 150 conjuntos de datos de pacientes.