Previsione della risposta alla chemioradioterapia neoadiuvante nel cancro esofageo utilizzando l'intelligenza artificiale e l'apprendimento automatico (QARC)

Nel carcinoma esofageo, la chemio-radioterapia neoadiuvante concomitante (NA-CCRT) seguita dalla chirurgia è l'attuale standard di cura e si sono accumulate ampie prove a sostegno dell'opinione che la risposta patologica completa (pCR) sia un marker prognostico positivo per risultati migliori. La previsione della probabilità di raggiungere la pCR prima del trattamento neoadiuvante potrebbe consentire la modifica dei protocolli di trattamento per quei pazienti che difficilmente raggiungeranno la pCR.

La radiomica è un nuovo concorrente nel campo dell'imaging in cui le caratteristiche specifiche sono derivate dall'intensità e dal modello di distribuzione dei pixel in base a una regione di interesse (ROI). Le caratteristiche così estratte possono quindi essere utilizzate per la modellazione predittiva simile ad altri set di dati -omics. Sono state eseguite indagini preliminari che ne esaminano l'utilità e le sue applicazioni si sono finora concentrate sullo screening e sulla previsione della sopravvivenza dopo il trattamento. A causa della natura multidimensionale dei dati estratti utilizzando la radiomica, i metodi di intelligenza artificiale (AI) sono ideali per l'analisi e la modellazione delle caratteristiche radiomiche.

Machine Learning (ML) e Deep Learning (DL) [utilizzando Convolutional Neural Networks (CNN)] fanno entrambi parte del framework AI. A differenza di ML, DL è un nuovo concorrente ed è stato utilizzato da alcuni ricercatori medici per la modellazione utilizzando algoritmi di tipo predittivo. Oltre a ridurre significativamente il flusso di lavoro associato alla ricerca basata sulla radiomica, l'ingegnerizzazione delle caratteristiche e la modellazione mediante DL sono immuni dagli effetti di una delineazione errata della ROI. Tuttavia, il limite principale del DL è l'effetto "scatola nera", in cui la base sottostante di una CNN non è nota. Ciò è stato mitigato in parte dalla visualizzazione delle mappe di attivazione direttamente sul set di dati dell'immagine per dimostrare la plausibilità biologica delle previsioni. Anche le prestazioni comparative di entrambi i tipi di modellazione non sono note.

Il nostro obiettivo è indagare la probabilità di pCR nella nostra popolazione di studio utilizzando ML basato su radiomica e modellazione basata su AI. Analizzeremo anche le prestazioni comparative di entrambe le tecniche di modellazione. Per la modellazione predittiva basata su DL, cercheremo di fornire plausibilità biologica sulla base di mappe di attivazione.