인공지능과 기계학습을 이용한 식도암의 선행 화학방사선 요법에 대한 반응 예측 (QARC)

식도 암종에서 수술에 이은 신보조 동시 화학 방사선 요법(NA-CCRT)은 현재 치료 표준이며 완전 병리학적 반응(pCR)이 개선된 결과에 대한 긍정적인 예후 마커라는 견해를 뒷받침하는 충분한 증거가 축적되었습니다. 신보강 치료 전에 pCR을 달성할 확률을 예측하면 pCR을 달성할 가능성이 없는 환자에 대한 치료 프로토콜을 수정할 수 있습니다.

Radiomics는 ROI(관심 영역)를 기반으로 픽셀의 강도 및 분포 패턴에서 특정 기능을 파생하는 이미징 분야의 새로운 진입자입니다. 이렇게 추출된 기능은 다른 -omics 데이터 세트와 유사한 예측 모델링에 사용할 수 있습니다. 그 유용성에 대한 예비 조사가 수행되었으며 그 적용은 지금까지 치료 후 선별 및 생존 예측에 중점을 두었습니다. 방사성학을 사용하여 추출한 데이터의 다차원적 특성으로 인해 인공 지능(AI) 방법은 방사성 기능을 분석하고 모델링하는 데 이상적입니다.

기계 학습(ML) 및 딥 러닝(DL)[컨볼루션 신경망(CNN) 활용]은 모두 AI 프레임워크의 일부입니다. ML과 달리 DL은 새로운 진입자이며 예측 유형 알고리즘을 사용하여 모델링하기 위해 일부 의학 연구원에 의해 활용되었습니다. Radiomics 기반 연구와 관련된 작업 흐름을 크게 줄이는 것 외에도 DL을 사용한 기능 엔지니어링 및 모델링은 잘못된 ROI 묘사의 영향을 받지 않습니다. 그러나 DL의 주요 한계는 CNN의 기본 기반을 알 수 없는 '블랙박스' 효과입니다. 이것은 예측의 생물학적 타당성을 증명하기 위해 이미지 데이터 세트에서 직접 활성화 맵을 시각화함으로써 부분적으로 완화되었습니다. 두 모델링 유형의 비교 성능도 알 수 없습니다.

우리의 목표는 방사성 기반 ML 및 AI 기반 모델링을 사용하여 연구 모집단에서 pCR 확률을 조사하는 것입니다. 또한 두 모델링 기술의 비교 성능을 조사할 것입니다. DL 기반 예측 모델링의 경우 활성화 맵을 기반으로 생물학적 타당성을 제공하려고 시도할 것입니다.