人工知能を適用して NSCLC におけるリスク層別化と転帰予測を改善するための画像マイニングと ctDNA。

私たちの中心的な仮説は、独特の画像由来の遺伝的特徴が疾患の段階と患者の転帰と一致しているというものです。 したがって、それらは非侵襲的に評価できる疾患の負担と再発のバイオマーカーです。 医療画像と循環無細胞腫瘍 DNA (ctDNA) から得られるデータを人工知能手法によって組み合わせることで、正確な病期分類と転帰の予測が可能になります。 この仮説は、医療画像が全身および病変全体の評価を使用して非侵襲的に腫瘍の固有性の不均一性を捕捉し、腫瘍の特徴を反映する意味のあるデータを提供できるという証拠に基づいて定式化されました。 実際、近年、ラジオミクス、機械学習、または画像マイニングの組み合わせを使用した医療画像の高度な分析が研究されています。 テクスチャ特徴抽出と畳み込みニューラル ネットワークの適用により、画像由来のバイオマーカーがテストされ、「表現型」情報 (悪性か良性か、組織型の識別、および T または N 病期分類) が得られます。 さらに、画像由来の定量的特徴と組織遺伝子発現パターンとの間の相関関係が示されており、我々の予備データでも実証されているように、画像表現型と遺伝子型が関連付けられている。 第二に、以前の研究でも示されているように、ベースライン評価時に予後情報を提供するために画像マイニングアプローチが提案されています。 それでも、確実な方法論的アプローチを備えた前向き研究はほとんど発表されていません。 一方、肺がん患者の血漿から単離された循環無細胞腫瘍 DNA (ctDNA) の分析は、疾患をさまざまな段階で評価するための代替方法として提案されています。 特に、診断時、術後の残存疾患の検出、治療指導および治療反応のモニタリングのための転移環境における変異の同定。 たとえ、ctDNA が NSCLC のすべての病期の患者で検出され、そのレベルは病期や腫瘍量に応じて増加しますが、病期分類を目的とした ctDNA 情報はまだ調査されていません。 腫瘍の発生または再発の初期段階で腫瘍を検出できるかどうかは、疾患負担が最小限の患者では cfDNA の量が少ないという問題に直面する必要があります。 さらに、特に高齢者における準生理学的 ctDNA バックグラウンドの存在は、特異性に影響を与えます。 この点において、研究者らは、さまざまなバイオマーカーを組み合わせることでこの問題を解決できると期待している。人工知能分析は、ヘルスケア用途での説明がますます増えている。 近年、教師あり、半教師あり、教師なしの機械学習手法がゲノム、プロテオミクス、臨床データ、放射線写真の特徴の分析に適用されています。 深層学習手法は、予後予測を改善するために多次元データを包括的に分析する機会を提供します。 提案されたプロジェクトの理論的根拠は、どの画像特徴と ctDNA 由来の情報が腫瘍の病期と術後の再発リスクに関連しているかがわかれば、開発されたアルゴリズムは病期分類と経過観察の両方において効果的かつ革新的なアプローチとなるということです。 -肺がんに罹患した患者の増加。臨床現場での意思決定に影響を与える。