Responsprediksjon på neoadjuvant kjemoradiasjon i esophageal cancer ved bruk av kunstig intelligens og maskinlæring (QARC)

Ved spiserørskarsinom er neoadjuvant samtidig kjemo-strålebehandling (NA-CCRT) etterfulgt av kirurgi den gjeldende standarden for behandling, og det har samlet seg mye bevis som støtter oppfatningen om at fullstendig patologisk respons (pCR) er en positiv prognostisk markør for forbedrede resultater. Å forutsi sannsynligheten for å oppnå pCR før neoadjuvant behandling kan tillate modifikasjon av behandlingsprotokoller for de pasientene det er usannsynlig å oppnå pCR.

Radiomics er en ny aktør innen bildebehandling der spesifikke egenskaper er avledet fra intensiteten og distribusjonsmønsteret til piksler basert på et område av interesse (ROI). Funksjonene som er ekstrahert på denne måten kan deretter brukes til prediksjonsmodellering som ligner på andre -omics-datasett. Foreløpige undersøkelser for å undersøke dens nytte har blitt utført, og applikasjonene har så langt fokusert på screening og overlevelsesprediksjon etter behandling. På grunn av den flerdimensjonale naturen til data ekstrahert ved hjelp av radiomikser, er metoder for kunstig intelligens (AI) ideelt egnet for å analysere og modellere radiomiske egenskaper.

Machine Learning (ML) og Deep Learning (DL) [bruker Convolutional Neural Networks (CNN)] er begge en del av AI-rammeverket. I motsetning til ML, er DL en ny aktør og har blitt brukt av noen medisinske forskere for modellering ved bruk av prediksjonsalgoritmer. I tillegg til å redusere arbeidsflyten knyttet til radiomiks-basert forskning betydelig, er funksjonsteknikk og modellering ved bruk av DL immune mot effektene av feil ROI-avgrensning. Hovedbegrensningen til DL er imidlertid "blackbox"-effekten, der det underliggende grunnlaget for en CNN ikke er kjent. Dette er delvis blitt dempet ved visualisering av aktiveringskart direkte på bildedatasettet for å bevise biologisk plausibilitet av spådommer. Den komparative ytelsen til begge typer modellering er heller ikke kjent.

Målet vårt er å undersøke pCR-sannsynlighet i vår studiepopulasjon ved å bruke radiomiksbasert ML og AI-basert modellering. Vi vil også undersøke den komparative ytelsen til begge modelleringsteknikkene. For DL-basert prediksjonsmodellering vil vi forsøke å gi biologisk plausibilitet på grunnlag av aktiveringskart.