Responsvoorspelling op neoadjuvante chemoradiatie bij slokdarmkanker met behulp van kunstmatige intelligentie en machinaal leren (QARC)

Bij slokdarmcarcinoom is neoadjuvante gelijktijdige chemo-radiotherapie (NA-CCRT) gevolgd door chirurgie de huidige zorgstandaard en er is voldoende bewijs verzameld dat de opvatting ondersteunt dat volledige pathologische respons (pCR) een positieve prognostische marker is voor verbeterde resultaten. Het voorspellen van de kans op het bereiken van pCR voorafgaand aan neoadjuvante behandeling zou het mogelijk kunnen maken om behandelingsprotocollen aan te passen voor die patiënten die waarschijnlijk geen pCR zullen bereiken.

Radiomics is een nieuwkomer op het gebied van beeldvorming waarbij specifieke kenmerken worden afgeleid van de intensiteit en het distributiepatroon van pixels op basis van een interessegebied (ROI). De aldus geëxtraheerde kenmerken kunnen vervolgens worden gebruikt voor voorspellingsmodellering, vergelijkbaar met andere -omics-datasets. Er zijn voorbereidende onderzoeken uitgevoerd om het nut ervan te onderzoeken en de toepassingen ervan waren tot nu toe gericht op screening en overlevingsvoorspelling na behandeling. Vanwege de multidimensionale aard van gegevens die met behulp van radiomics worden geëxtraheerd, zijn methoden van kunstmatige intelligentie (AI) bij uitstek geschikt voor het analyseren en modelleren van radiomische kenmerken.

Machine Learning (ML) en Deep Learning (DL) [gebruikmakend van Convolutional Neural Networks (CNN)] maken beide deel uit van het AI-framework. In tegenstelling tot ML is DL een nieuwkomer en wordt het door sommige medische onderzoekers gebruikt voor modellering met behulp van algoritmen van het voorspellingstype. Naast het aanzienlijk verminderen van de workflow die gepaard gaat met op Radiomics gebaseerd onderzoek, zijn feature engineering en modellering met behulp van DL immuun voor de effecten van onjuiste ROI-afbakening. De belangrijkste beperking van DL is echter het 'blackbox'-effect, waarbij de onderliggende basis van een CNN niet bekend is. Dit is gedeeltelijk verzacht door de visualisatie van activeringskaarten rechtstreeks op de beelddataset om de biologische plausibiliteit van voorspellingen te bewijzen. De vergelijkende prestaties van beide soorten modellering zijn ook niet bekend.

Ons doel is om de pCR-waarschijnlijkheid in onze studiepopulatie te onderzoeken met behulp van op radiomics gebaseerde ML en op AI gebaseerde modellering. We zullen ook de vergelijkende prestaties van beide modelleringstechnieken onderzoeken. Voor op DL gebaseerde voorspellingsmodellering zullen we proberen biologische plausibiliteit te verschaffen op basis van activeringskaarten.