Image Mining e ctDNA per migliorare la stratificazione del rischio e la previsione dei risultati nel NSCLC applicando l'intelligenza artificiale.

La nostra ipotesi centrale è che le peculiari caratteristiche genetiche e derivate dall'immagine siano coerenti con lo stadio della malattia e l'esito del paziente. Pertanto, sono biomarcatori del carico di malattia e delle recidive, che possono essere valutati in modo non invasivo. La combinazione, attraverso metodi di intelligenza artificiale, dei dati provenienti dall'imaging medico e del DNA tumorale libero da cellule (ctDNA) circolante può fornire una stadiazione accurata e una previsione dei risultati. Questa ipotesi è stata formulata sulla base dell'evidenza che le immagini mediche sono in grado di fornire dati significativi che riflettono le caratteristiche del tumore, catturando l'eterogeneità intrinseca del tumore, in modo non invasivo, utilizzando una valutazione dell'intero corpo e dell'intera lesione. Negli ultimi anni, infatti, è stata esplorata l'analisi avanzata dell'imaging medico utilizzando la radiomica, l'apprendimento automatico o in combinazione l'image mining. I biomarcatori derivati ​​​​da immagini, mediante l'estrazione di caratteristiche della trama e l'applicazione di reti neurali convoluzionali, sono stati testati per fornire informazioni sul "fenotipo" (maligno vs benigno, identificazione dell'istotipo e stadiazione T o N. Inoltre, sono state mostrate correlazioni tra caratteristiche quantitative derivate dall'immagine con modelli di espressione genica nei tessuti, collegando i fenotipi di imaging al genotipo, come dimostrato anche nei nostri dati preliminari. In secondo luogo, è stato proposto un approccio di image mining per fornire informazioni prognostiche nella valutazione di base, come mostrato anche nel nostro lavoro precedente. Tuttavia, sono stati pubblicati pochi studi prospettici con un approccio metodologico solido. D'altra parte, l'analisi del DNA tumorale libero circolante (ctDNA) isolato dal plasma di pazienti affetti da cancro del polmone è stata proposta come metodo alternativo per valutare la malattia nelle diverse fasi. In particolare, al momento della diagnosi, l'individuazione post-chirurgica della malattia residua, l'identificazione di mutazioni nel contesto metastatico per l'orientamento al trattamento e il monitoraggio della risposta al trattamento. Anche se il ctDNA è stato rilevato in pazienti con tutti gli stadi di NSCLC, con livelli che aumentano con lo stadio e con il carico tumorale, le informazioni sul ctDNA non sono state ancora esplorate ai fini della stadiazione. La possibilità di rilevare un tumore nella fase iniziale del suo sviluppo o di una recidiva deve affrontare il problema della bassa quantità di cfDNA nei pazienti con un carico di malattia minimo. Inoltre, la presenza di un background parafisiologico di ctDNA, in particolare nelle persone anziane, influenza la specificità. A questo proposito, i ricercatori si aspettano che la combinazione di diversi biomarcatori consentirà di risolvere questo problema. L'analisi dell'intelligenza artificiale è sempre più descritta nelle applicazioni sanitarie. Negli ultimi anni sono stati applicati metodi di apprendimento automatico supervisionati, semi-supervisionati e non supervisionati per analizzare dati genomici, proteomici, clinici e caratteristiche radiografiche. I metodi di deep learning offrono opportunità per l’analisi completa di dati multidimensionali per una migliore previsione della prognosi. La logica alla base del progetto proposto è che, una volta noto quali caratteristiche di imaging e informazioni derivate dal ctDNA sono collegate allo stadio del tumore e al rischio postoperatorio di recidiva, l'algoritmo sviluppato rappresenterà un approccio efficace e innovativo sia per la stadiazione che per il follow-up. -up di pazienti affetti da tumore del polmone, con implicazioni sul processo decisionale nella pratica clinica.