Keinoälyllä toimivan alustan (NodeAI) kehittäminen, turvallisuus ja toteutettavuus välikarsinan imusolmukkeiden pahanlaatuisuuden reaaliaikaiseen ennustamiseen keuhkosyövän endobronkiaalisen ultraäänivaiheen aikana (NodeAI)

Keuhkosyöpä on johtava vuosittainen syöpäkuolemien syy maailmanlaajuisesti, enemmän kuin rinta-, eturauhas- ja paksusuolensyöpä yhteensä. Rintaimusolmukkeiden (LN:iden) staging on ratkaiseva vaihe keuhkosyövän diagnostiikassa, koska se auttaa hoitopäätöksissä - onko potilas ehdokas keuhkojen resektioon, kemoterapiaan, sädehoitoon tai multimodaaliseen hoitoon. Endobronkiaalinen ultraääni-transbronkiaalinen neula-aspiraatio (EBUS-TBNA) on nykyinen standardi keuhkosolmukevaiheen määrittämisessä ei-pienisoluisen keuhkosyövän (NSCLC) hoidossa, ja ohjeet edellyttävät, että vähintään kolmen rintakehän LN-aseman systemaattinen näytteenotto (SS) on suoritettava rutiininomaisesti tarkan tarkan mittauksen varmistamiseksi. lavastus. Valitettavasti EBUS-TBNA antaa epätarkkoja tuloksia 40 %:lla potilaista, mikä johtaa vääriin tietoihin hoitopäätöksiin. Tämä osuus on paljon suurempi potilailla, joilla on kolminkertaiset normaalit LN:t [LN:t, jotka näyttävät normaaleilta tietokonetomografiassa (CT), positroniemissiotomografiassa (PET) ja EBUS:ssa], joiden on todettu olevan > 93 % todennäköisyydestä. hyvänlaatuinen. Tämä johtuu siitä, että EBUS-TBNA perustuu ultraääneen, jonka menestys riippuu suuresti sen suorittavan henkilön (operaattorin) taidosta. Kun käyttäjä tekee virheen, koko toimenpide vaarantuu. Tämä aiheuttaa hoidon viivästyksiä toistuvien testausten ja huonosti tehtyjen hoitopäätösten vuoksi.

Viimeisen vuosikymmenen aikana tutkija on suorittanut useita tutkimustutkimuksia ja kokeita: Kanadan imusolmukkeiden pistemäärän (CLNS) kehittäminen ja validointi - kirurgin johdettu puolikvantitatiivinen LN-maligniteetin mitta; tekoäly (AI) -pohjainen versio CLNS:stä maligniteetin ennustamiseksi; ja täysin autonominen tekoäly, joka oppi ennustamaan pahanlaatuisuutta suoraan ultraäänikuvista ja esitteli tekoälyn NSCLC:n päätöksentekoon. Tämä johti tekoälyllä toimivan ohjelmiston luomiseen, joka ennustaa keuhkosyöpäpotilaiden välikarsinan LN:iden pahanlaatuisuutta. Ohjelmisto on tällä hetkellä pilvivarastossa ja sen sovellukset ovat piileviä - mikä tarkoittaa, että LN-kuvat on ladattava ohjelmistoon ja tulokset saadaan myöhemmin. Nykyisessä muodossaan ohjelmisto ei ole valmis kliiniseen käyttöön tämän latenssin vuoksi. Tässä projektissa tutkijan tavoitteena on rakentaa point-of-care-laite, joka sisältää ohjelmiston (NodeAI) ja toimittaa reaaliaikaisia ​​tuloksia kirurgille, ja tämä laite testataan kliinisessä tutkimuksessa.