人工知能と機械学習を使用した食道がんにおけるネオアジュバント化学放射線療法に対する反応予測 (QARC)

食道癌では、ネオアジュバント同時化学放射線療法 (NA-CCRT) とそれに続く手術が現在の標準治療であり、完全な病理学的奏効 (pCR) が予後改善の陽性マーカーであるという見解を支持する十分な証拠が蓄積されています。 ネオアジュバント治療の前に pCR を達成する可能性を予測することで、pCR を達成する可能性が低い患者の治療プロトコルを変更できる可能性があります。

ラジオミクスは、関心領域 (ROI) に基づいてピクセルの強度と分布パターンから特定の特徴を導き出すイメージング分野への新規参入者です。 このように抽出された特徴は、他のオミクス データセットと同様の予測モデリングに使用できます。 その有用性を調べる予備調査が実施されており、その適用はこれまでのところ、治療後のスクリーニングと生存予測に焦点を当てています。 ラジオミクスを使用して抽出されたデータの多次元の性質により、人工知能 (AI) メソッドは、ラジオミクス機能の分析とモデリングに最適です。

機械学習 (ML) とディープ ラーニング (DL) [畳み込みニューラル ネットワーク (CNN) を利用] はどちらも AI フレームワークの一部です。 ML とは対照的に、DL は新規参入者であり、予測型アルゴリズムを使用したモデリングのために一部の医学研究者によって利用されています。 Radiomics ベースの研究に関連するワークフローを大幅に削減するだけでなく、DL を使用したフィーチャ エンジニアリングとモデリングは、ROI の不正確な描写の影響を受けません。 ただし、DL の主な制限は「ブラックボックス」効果であり、CNN の基礎となる基盤が不明です。 これは、予測の生物学的妥当性を証明するために、画像データセット上で活性化マップを直接視覚化することによって部分的に緩和されています。 両方のタイプのモデリングの比較パフォーマンスも不明です。

私たちの目的は、ラジオミクスベースの ML と AI ベースのモデリングを使用して、研究集団の pCR 確率を調査することです。 また、両方のモデリング手法の比較パフォーマンスも調査します。 DL ベースの予測モデリングでは、活性化マップに基づいて生物学的妥当性を提供しようとします。