Vasteen ennustaminen ruokatorven syövän neoadjuvanttikemosäteilylle tekoälyn ja koneoppimisen avulla (QARC)

Ruokatorven karsinoomassa neoadjuvantti samanaikainen kemo-sädehoito (NA-CCRT), jota seuraa leikkaus, on nykyinen hoitostandardi, ja on kertynyt runsaasti todisteita, jotka tukevat näkemystä, että täydellinen patologinen vaste (pCR) on positiivinen ennustemerkki parantuneille tuloksille. PCR:n saavuttamisen todennäköisyyden ennustaminen ennen neoadjuvanttihoitoa voi mahdollistaa hoitomenetelmien muuttamisen niille potilaille, jotka eivät todennäköisesti saavuta pCR:ää.

Radiomics on uusi tulokas kuvantamisen alalla, jossa erityispiirteet johdetaan pikselien intensiteetistä ja jakautumakuviosta, joka perustuu kiinnostavaan alueeseen (ROI). Näin poimittuja ominaisuuksia voidaan sitten käyttää ennustemallinnukseen, joka on samanlainen kuin muut -omics-tietojoukot. Alustavia tutkimuksia sen hyödyllisyydestä on tehty ja sen sovellukset ovat toistaiseksi keskittyneet seulontaan ja eloonjäämisen ennustamiseen hoidon jälkeen. Radiomiikalla poimitun tiedon moniulotteisuuden vuoksi tekoäly (AI) -menetelmät soveltuvat ihanteellisesti radioisten piirteiden analysointiin ja mallintamiseen.

Koneoppiminen (ML) ja Deep Learning (DL) [käyttäen konvoluutiohermoverkkoja (CNN)] ovat molemmat osa tekoälykehystä. Toisin kuin ML, DL on uusi tulokas, ja jotkut lääketieteen tutkijat ovat käyttäneet sitä mallintamiseen ennustetyyppisten algoritmien avulla. Sen lisäksi, että radiomiikkaan perustuvaan tutkimukseen liittyvää työnkulkua vähennetään merkittävästi, ominaisuussuunnittelu ja DL-mallinnus ovat immuuneja virheellisen ROI-määrityksen vaikutuksille. DL:n päärajoitus on kuitenkin "musta laatikko" -ilmiö, jossa CNN:n taustaa ei tunneta. Tätä on osittain lievennetty visualisoimalla aktivointikartat suoraan kuvatietoaineistoon ennusteiden biologisen uskottavuuden osoittamiseksi. Molempien mallinnustyyppien vertailevaa suorituskykyä ei myöskään tunneta.

Tavoitteenamme on tutkia pCR:n todennäköisyyttä tutkimuspopulaatiossamme käyttämällä radiomiikkaan perustuvaa ML- ja tekoälypohjaista mallinnusta. Tutkimme myös molempien mallinnustekniikoiden vertailevaa suorituskykyä. DL-pohjaisessa ennustemallinnuksessa yritämme tarjota biologista uskottavuutta aktivointikarttojen perusteella.