Image Mining en ctDNA om de risicostratificatie en uitkomstvoorspelling bij NSCLC te verbeteren door kunstmatige intelligentie toe te passen.

Onze centrale hypothese is dat bijzondere, van beelden afgeleide en genetische kenmerken consistent zijn met het ziektestadium en de uitkomst van de patiënt. Daarom zijn het biomarkers voor ziektelast en terugval, die op niet-invasieve wijze kunnen worden beoordeeld. De combinatie door middel van kunstmatige intelligentiemethoden van gegevens afkomstig van medische beeldvorming en circulerend celvrij tumor-DNA (ctDNA) kan nauwkeurige stadiëring en uitkomstvoorspelling opleveren. Deze hypothese is geformuleerd op basis van het bewijs dat medische beelden in staat zijn om betekenisvolle gegevens te verschaffen die de kenmerken van de tumor weerspiegelen, waarbij de intrinsieke heterogeniteit van de tumor wordt vastgelegd, op niet-invasieve wijze, met behulp van een beoordeling van het hele lichaam en de hele laesie. In feite is de afgelopen jaren geavanceerde analyse van medische beeldvorming onderzocht met behulp van radiomics, machine learning of in combinatie met image mining. Van beelden afgeleide biomarkers zijn, door middel van extractie van textuurkenmerken en toepassing van convolutionele neurale netwerken, getest om "fenotype"-informatie te verschaffen (kwaadaardig versus goedaardig, en histotype-identificatie, en T- of N-stadiëring). Bovendien zijn correlaties aangetoond tussen van beelden afgeleide kwantitatieve kenmerken met weefselgenexpressiepatronen, waarbij de beeldvormende fenotypes aan het genotype worden gekoppeld, zoals ook aangetoond in onze voorlopige gegevens. Ten tweede is een image mining-aanpak voorgesteld om prognostische informatie te verschaffen bij de basisevaluatie, zoals ook blijkt uit ons eerdere werk. Toch zijn er weinig prospectieve studies met een robuuste methodologische aanpak gepubliceerd. Aan de andere kant is de analyse van circulerend celvrij tumor-DNA (ctDNA) geïsoleerd uit het plasma van longkankerpatiënten voorgesteld als een alternatieve methode om de ziekte in de verschillende fasen te beoordelen. In het bijzonder bij de diagnose, de postoperatieve detectie van resterende ziekte, de identificatie van mutaties in de metastatische setting voor behandelingsbegeleiding en het monitoren van de behandelingsrespons. Zelfs als ctDNA is gedetecteerd bij patiënten met alle stadia van NSCLC, waarbij de niveaus toenemen met het stadium en de tumorlast, is ctDNA-informatie nog niet onderzocht met het oog op stadiëring. De mogelijkheid om een ​​tumor in de vroege fase van zijn ontwikkeling of een recidief te detecteren moet worden geconfronteerd met het probleem van de lage hoeveelheid cfDNA bij patiënten met een minimale ziektelast. Bovendien beïnvloedt de aanwezigheid van een parafysiologische ctDNA-achtergrond, vooral bij oudere mensen, de specificiteit. In dit opzicht verwachten de onderzoekers dat de combinatie van verschillende biomarkers dit probleem zal kunnen oplossen. Artificial Intelligence-analyses worden steeds vaker beschreven in toepassingen in de gezondheidszorg. De afgelopen jaren zijn machinale leermethoden onder toezicht, semi-onder toezicht en zonder toezicht toegepast om genomische, proteomische, klinische gegevens en radiografische kenmerken te analyseren. Deep learning-methoden bieden mogelijkheden voor uitgebreide analyse van multidimensionale gegevens voor verbeterde prognosevoorspelling. De grondgedachte voor het voorgestelde project is dat, zodra bekend is welke beeldkenmerken en uit ctDNA afkomstige informatie verband houdt met het tumorstadium en het postoperatieve risico op terugval, het ontwikkelde algoritme een effectieve en innovatieve aanpak zal zijn voor zowel stadiëring als vervolgonderzoek. -up van patiënten met longkanker, met implicaties voor de besluitvorming in de klinische praktijk.