A neoadjuváns kemosugárzásra adott válasz előrejelzése nyelőcsőrákban mesterséges intelligencia és gépi tanulás segítségével (QARC)

Nyelőcsőkarcinómában a neoadjuváns egyidejű kemo-radioterápia (NA-CCRT), majd a műtét követi az ellátás jelenlegi standardját, és rengeteg bizonyíték gyűlt össze, amely alátámasztja azt a nézetet, hogy a teljes patológiás válasz (pCR) pozitív prognosztikai marker a jobb eredményekhez. A pCR elérésének valószínűségének előrejelzése a neoadjuváns kezelés előtt lehetővé teheti a kezelési protokollok módosítását azon betegek esetében, akiknél valószínűleg nem sikerül pCR-t elérni.

A Radiomics új belépő a képalkotás területén, ahol a speciális jellemzők a pixelek intenzitásából és eloszlási mintájából származnak egy érdeklődési régión (ROI) alapulóan. Az így kinyert jellemzők ezután más -omics adatkészletekhez hasonlóan előrejelzési modellezéshez használhatók. Előzetes, hasznosságát vizsgáló vizsgálatok megtörténtek, alkalmazásai eddig a szűrésre és a kezelés utáni túlélés előrejelzésére irányultak. A rádiómika segítségével kinyert adatok többdimenziós jellege miatt a mesterséges intelligencia (AI) módszerei ideálisak a radiomikus jellemzők elemzésére és modellezésére.

A gépi tanulás (ML) és a Deep Learning (DL) [konvolúciós neurális hálózatokat (CNN) használva] egyaránt az AI keretrendszer részét képezik. Az ML-lel ellentétben a DL új belépő, és néhány orvoskutató felhasználta előrejelzési típusú algoritmusokkal történő modellezéshez. Amellett, hogy jelentősen csökkenti a Radiomics-alapú kutatásokhoz kapcsolódó munkafolyamatokat, a jellemzőtervezés és a DL-t használó modellezés immunis a hibás ROI-meghatározás hatásaira. A DL fő korlátja azonban a „blackbox” effektus, amelyben a CNN alapja nem ismert. Ezt részben enyhítette az aktiválási térképek közvetlenül a képi adatkészleten történő megjelenítése, hogy bizonyítsák az előrejelzések biológiai megalapozottságát. A két modellezési típus összehasonlító teljesítménye szintén nem ismert.

Célunk a pCR valószínűségének vizsgálata vizsgálati populációnkban radiomika alapú ML és AI alapú modellezéssel. Megvizsgáljuk mindkét modellezési technika összehasonlító teljesítményét is. A DL alapú előrejelzési modellezéshez megkíséreljük biológiai plauzibilitást biztosítani aktiválási térképek alapján.