De ontwikkeling, veiligheid en haalbaarheid van een door kunstmatige intelligentie aangedreven platform (NodeAI) voor real-time voorspelling van mediastinale lymfekliermaligniteit tijdens endobronchiale echografie voor longkanker (NodeAI)

Longkanker is wereldwijd de belangrijkste oorzaak van jaarlijkse sterfgevallen door kanker, meer dan borst-, prostaat- en darmkanker samen. De stadiëring van borstlymfeklieren (LN's) is een cruciale stap in het diagnostische traject van longkanker, omdat het helpt bij behandelbeslissingen - of een patiënt nu in aanmerking komt voor longresectie, chemotherapie, bestraling of multimodale behandelingen. Endobronchiale echografie, transbronchiale naaldaspiratie (EBUS-TBNA) is de huidige standaard voor stadiëring van de borstklieren bij niet-kleincellige longkanker (NSCLC), en richtlijnen schrijven voor dat systematische monstername (SS) van ten minste 3 borst-LN-stations routinematig wordt uitgevoerd voor nauwkeurige metingen. enscenering. Helaas levert EBUS-TBNA bij 40% van de patiënten onnauwkeurige resultaten op, wat leidt tot slecht geïnformeerde behandelbeslissingen. Dit aandeel is veel hoger bij patiënten met Triple Normal LN’s [LN’s die normaal lijken op computertomografie (CT)-scans, positron emissie tomografie (PET)-scans en EBUS], waarvan is vastgesteld dat ze een kans van > 93% hebben om echt te zijn. goedaardig. Dit komt omdat EBUS-TBNA gebaseerd is op echografie, waarvan het succes sterk afhangt van de vaardigheid van de persoon die de echografie uitvoert (operator). Wanneer de operator een fout maakt, komt de hele procedure in gevaar. Dit veroorzaakt stroomafwaartse vertragingen in de behandeling als gevolg van herhaalde tests en slecht geïnformeerde behandelbeslissingen.

De afgelopen tien jaar heeft de onderzoeker een reeks onderzoeken en onderzoeken uitgevoerd: de ontwikkeling en validatie van de Canada Lymph Node Score (CLNS) - een door chirurgen afgeleide semi-kwantitatieve maatstaf voor LN-maligniteit; een op kunstmatige intelligentie (AI) gebaseerde versie van de CLNS om maligniteit te voorspellen; en een volledig autonome AI die leerde kwaadaardige tumoren rechtstreeks op basis van echografiebeelden te voorspellen, om AI te introduceren in het besluitvormingstraject bij NSCLC. Dit resulteerde in de creatie van AI-aangedreven software om maligniteit in mediastinale LN's van patiënten met longkanker te voorspellen. De software bevindt zich momenteel in cloudopslag en de toepassingen ervan zijn latent - wat betekent dat LN-beelden naar de software moeten worden geüpload en dat de resultaten op een later tijdstip worden ontvangen. In zijn huidige vorm is de software vanwege deze latentie nog niet klaar voor klinische toepassing. In dit project wil de onderzoeker een point-of-care-apparaat bouwen waarin de software (NodeAI) wordt ondergebracht en realtime resultaten aan de chirurg worden geleverd. Dit apparaat zal worden getest in een klinische proef.