Kuvien louhinta ja ctDNA parantavat riskien jakautumista ja tulosennustetta NSCLC:ssä tekoälyä soveltaen.

Keskeinen hypoteesimme on, että omituiset kuvaperäiset ja geneettiset ominaisuudet ovat yhdenmukaisia ​​sairauden vaiheen ja potilaan lopputuloksen kanssa. Siksi ne ovat sairaustaakan ja uusiutumisen biomarkkereita, jotka voidaan arvioida ei-invasiivisesti. Lääketieteellisestä kuvantamisesta ja kiertävästä soluttomasta kasvain-DNA:sta (ctDNA) saatujen tietojen yhdistäminen tekoälymenetelmien avulla voi tarjota tarkan vaiheen ja tulosennusteen. Tämä hypoteesi on muotoiltu sen näytön perusteella, että lääketieteelliset kuvat pystyvät tarjoamaan merkityksellistä tietoa, joka kuvastaa kasvaimen ominaisuuksia ja vangitsee kasvaimen luontaisen heterogeenisyyden, ei-invasiivisesti, käyttämällä koko kehon ja koko leesion arviointia. Itse asiassa viime vuosina on tutkittu lääketieteellisen kuvantamisen kehittyneitä analyysejä radiomiikin, koneoppimisen tai yhdistelmänä - kuvanlouhinnan avulla. Kuvista johdettuja biomarkkereita on testattu tekstuurin piirteiden erottamisen ja konvoluutiohermoverkkosovelluksen avulla tarjoamaan "fenotyyppi"-informaatiota (pahanlaatuinen vs. hyvänlaatuinen ja histotyypin tunnistaminen ja T- tai N-vaiheistus. Lisäksi on osoitettu korrelaatioita kuvaperäisten kvantitatiivisten piirteiden ja kudosgeenien ilmentymismallien välillä, mikä yhdistää kuvantamisfenotyypit genotyyppiin, kuten myös alustavissa tiedoissamme osoitettiin. Toiseksi kuvanlouhintamenetelmää on ehdotettu tarjoamaan ennustetietoa lähtötilanteen arvioinnissa, kuten myös aikaisemmassa työssämme on osoitettu. Silti on julkaistu muutamia prospektiivisia tutkimuksia vankalla metodologisella lähestymistavalla. Toisaalta keuhkosyöpäpotilaiden plasmasta eristetyn kiertävän soluttoman kasvain-DNA:n (ctDNA) analyysiä on ehdotettu vaihtoehtoiseksi menetelmäksi taudin eri vaiheissa arvioimiseksi. Erityisesti diagnoosin yhteydessä leikkauksen jälkeinen jäännössairauden havaitseminen, mutaatioiden tunnistaminen metastaattisissa olosuhteissa hoidon ohjausta ja hoitovasteen seurantaa varten. Vaikka ctDNA:ta on havaittu potilailla, joilla on NSCLC:n kaikissa vaiheissa tasot nousevat vaiheen ja kasvainkuorman myötä, ctDNA-tietoa ei ole vielä tutkittu vaiheittaistamista varten. Mahdollisuus havaita kasvain sen kehittymisen tai uusiutumisen varhaisessa vaiheessa joutuu kohtaamaan ongelman cfDNA:n alhaisesta määrästä potilailla, joilla on minimaalinen sairaustaakka. Lisäksi spesifisyyteen vaikuttaa parafysiologisen ctDNA-taustan esiintyminen erityisesti iäkkäillä ihmisillä. Tässä suhteessa tutkijat odottavat, että erilaisten biomarkkerien yhdistäminen mahdollistaa tämän ongelman ratkaisemisen. Tekoälyanalytiikkaa kuvataan yhä enemmän terveydenhuollon sovelluksissa. Viime vuosina valvottuja, puolivalvottuja ja valvomattomia koneoppimismenetelmiä on sovellettu genomisen, proteomisen, kliinisen datan ja radiografisten ominaisuuksien analysointiin. Syväoppimismenetelmät tarjoavat mahdollisuuksia moniulotteisen datan kattavaan analysointiin ennusteen ennustamisen parantamiseksi. Ehdotetun hankkeen perusteluna on, että kun tiedetään, mitkä kuvantamisominaisuudet ja ctDNA:sta johdettu tieto liittyvät kasvainvaiheeseen ja leikkauksen jälkeiseen uusiutumisriskiin, kehitetty algoritmi on tehokas ja innovatiivinen lähestymistapa sekä vaiheittamiseen että seurantaan. -keuhkosyöpäpotilaiden lisääntyminen, mikä vaikuttaa kliinisen käytännön päätöksentekoon.