Construcción y validación de un modelo de evaluación de PCR después de NAT en pacientes con cáncer de mama con tecnología de IA

El cáncer de mama es el cáncer más prevalente entre las mujeres en todo el mundo. El tratamiento neoadyuvante (NAT) es parte del tratamiento estandarizado del cáncer de mama y es especialmente importante para el cáncer de mama localmente avanzado. Numerosos estudios han demostrado que los pacientes que logran una respuesta patológica completa (pCR) después de NAT pueden tener mejores tasas de supervivencia libre de enfermedad y general, lo que hace que la ventaja de supervivencia de la cirugía radical sea menos significativa. Sin embargo, en la actualidad, la PCR solo puede evaluarse mediante pruebas patológicas de especímenes resecados quirúrgicamente, y la cuestión de si la PCR puede evaluarse con precisión antes de la operación se ha convertido en un problema urgente.

La tecnología de inteligencia artificial (IA) es una rama de la informática que intenta comprender la esencia de la inteligencia y producir una nueva máquina inteligente que pueda responder de manera similar a la inteligencia humana, de la cual el reconocimiento de imágenes se usa ampliamente en la investigación clínica como un importante componente de la IA. En los últimos años, con el desarrollo de la IA y los algoritmos relacionados, cada vez más investigadores están trabajando en el uso de imágenes de imágenes para determinar con mayor precisión la eficacia de la NAT, tratando de eximir a una fracción de los pacientes que logran la PCR de la cirugía radical y nunca lo logran. una mejor apariencia y calidad de supervivencia.

El equipo de Simon seleccionó a 246 pacientes que asistieron al Centro de Oncología de Salzburgo en Australia entre 2006 y 2016, se sometieron a una lectura de DCE-MRI prequirúrgica por científicos de imágenes con más de 10 años de experiencia y emitieron un juicio de remisión completa, solo para obtener un resultado más pesimista. resultado: un valor predictivo positivo de sólo el 48%. El equipo de jinsun seleccionó pacientes que se sometieron a NAT en Samsung Medical Center entre 2007 y 2016. Los resultados mostraron que el valor kappa de la prueba de concordancia entre la respuesta radiológica completa (rCR) y la pCR mamaria fue de 0,459, y el valor kappa de la prueba de concordancia entre la rCR axilar y la pCR axilar Los equipos de Woo y Erika analizaron los subgrupos que dieron lugar a resultados falsos. determinaciones negativas de IRM de pCR y sugirieron que los pacientes con subtipos G1-2, Luminal A/B y realce sin grumos tenían dificultades para evaluar la remisión completa mediante IRM. Es evidente que ahora es difícil utilizar enfoques de modelado tradicionales para pCR para determinar el nivel de aplicación clínica.

El equipo de Elizabeth utilizó resonancia magnética preoperatoria, tecnología de IA para la extracción de características e información clinicopatológica para construir un modelo de determinación de pCR, que funcionó bien en el conjunto de validación independiente con un AUC de 0,83 (IC del 95 %: 0,71-0,94). El equipo de Imon usó la extracción de características de Riesz para determinar la pCR en pacientes con cáncer de mama triple negativo que se sometieron a NAT, y el ROC del modelo final alcanzó 0,85. El equipo del profesor Yang Fan del Departamento de Radiología del Hospital de la Facultad de Medicina de la Unión de Wuhan, Wuhan, China, utilizó parámetros DCE-MRI multifásicos y algoritmos de aprendizaje automático para construir el modelo, y el área ROC más alta bajo la curva alcanzó 0,919. Los resultados anteriores muestran que el modelo de determinación de pCR de histología de imágenes con tecnología de IA es una gran mejora en comparación con el modelo tradicional.

Aunque un número creciente de estudios ha confirmado la importancia de la histología por imágenes para la determinación de NAT pCR, muchos de los estudios actuales tienen algunos defectos. Cuando se evaluó utilizando la puntuación RQS de histología de imágenes estándar internacional, se encontró que la mayoría de los estudios: (i) carecían de cohortes de validación externa; (ii) no proporcionó descripciones apropiadas de la extracción de parámetros; (iii) carecía de un proceso estandarizado para los parámetros de imagen; y (iv) tenían tamaños de muestra pequeños. Por lo tanto, la mayoría de los investigadores aún deben realizar estudios más sistemáticos y estandarizados.

Por lo tanto, este proyecto planea establecer y validar un modelo para determinar pCR después de NAT en cáncer de mama basado en información clínica, imágenes e información patológica de pacientes con cáncer de mama en múltiples centros utilizando tecnología de inteligencia artificial de acuerdo con las pautas internacionales y el consenso de expertos nacionales en cáncer de mama. cáncer NAT, con el fin de resolver el problema de la toma de decisiones quirúrgicas para pacientes después de NAT, mediante la combinación de expertos de los departamentos de medicina mamaria, cirugía, patología e imágenes en varios hospitales de atención terciaria en toda China. El modelo será validado para resolver el problema de la toma de decisiones quirúrgicas para pacientes post-NAT.