인공 지능을 적용하는 NSCLC의 위험 계층화 및 결과 예측을 개선하기 위한 이미지 마이닝 및 ctDNA.

우리의 중심 가설은 독특한 이미지에서 파생된 유전적 특성이 질병 단계 및 환자 결과와 일치한다는 것입니다. 따라서 이는 비침습적으로 평가할 수 있는 질병 부담 및 재발의 바이오마커입니다. 의료 영상에서 얻은 데이터와 순환 세포 유리 종양 DNA(ctDNA)를 인공지능 방식으로 결합하면 정확한 병기 설정 및 결과 예측이 가능합니다. 이 가설은 의료 영상이 전신 및 전체 병변 평가를 사용하여 비침습적으로 종양 특성을 반영하고 본질적인 종양 이질성을 포착하는 의미 있는 데이터를 제공할 수 있다는 증거를 기반으로 공식화되었습니다. 실제로 최근 몇 년 동안 방사선학, 기계 학습 또는 이미지 마이닝의 조합을 사용하여 의료 영상에 대한 고급 분석이 연구되었습니다. 텍스처 특징 추출 및 컨볼루셔널 신경망 적용을 통해 이미지에서 파생된 바이오마커는 "표현형" 정보(악성 대 양성, 조직형 식별, T 또는 N 병기)를 제공하기 위해 테스트되었습니다. 또한, 이미지에서 파생된 정량적 특징과 조직 유전자 발현 패턴 간의 상관 관계가 표시되어 예비 데이터에서도 입증된 바와 같이 이미징 표현형을 유전자형에 연결합니다. 둘째, 이전 연구에서 볼 수 있듯이 기준 평가에서 예후 정보를 제공하기 위해 이미지 마이닝 접근 방식이 제안되었습니다. 그럼에도 불구하고 강력한 방법론적 접근 방식을 갖춘 전향적 연구는 거의 발표되지 않았습니다. 한편, 폐암 환자의 혈장에서 분리한 순환 무세포 종양 DNA(ctDNA) 분석은 질병을 여러 단계에서 평가하는 대체 방법으로 제안되었습니다. 특히, 진단 시, 수술 후 잔류 질환의 검출, 치료 지침 및 치료 반응 모니터링을 위한 전이 환경에서 돌연변이 식별이 이루어집니다. 비록 ctDNA가 NSCLC의 모든 단계에서 검출되었으며 단계에 따라 수준이 증가하고 종양 부담 ctDNA 정보는 아직 병기 결정 목적으로 탐색되지 않았습니다. 종양 발생 초기 또는 재발 단계에서 종양을 발견할 수 있는 가능성은 질병 부담이 최소화된 환자의 cfDNA 양이 낮다는 문제에 직면해야 합니다. 더욱이, 특히 노인들에서 준생리학적 ctDNA 배경의 존재는 특이성에 영향을 미칩니다. 이러한 점에서 연구자들은 다양한 바이오마커의 조합이 이 문제를 해결할 수 있을 것으로 기대합니다. 인공 지능 분석은 의료 응용 분야에서 점점 더 많이 설명되고 있습니다. 최근에는 게놈, 단백질체학, 임상 데이터 및 방사선학적 특성을 분석하기 위해 지도(supervised), 준지도(semi-supervised), 비지도(unsupervised) 기계 학습 방법이 적용되었습니다. 딥 러닝 방법은 향상된 예후 예측을 위해 다차원 데이터를 포괄적으로 분석할 수 있는 기회를 제공합니다. 제안된 프로젝트의 이론적 근거는 어떤 영상 특징과 ctDNA 유래 정보가 종양 단계 및 수술 후 재발 위험과 연관되어 있는지 알려지면 개발된 알고리즘이 병기 설정 및 추적 모두에 효과적이고 혁신적인 접근 방식이 될 것이라는 것입니다. 폐암의 영향을 받은 환자의 임상 실무 의사결정에 영향을 미칩니다.