Kunstig intelligens ved endometriose-relatert eggstokkreft og presisjonskirurgi ved endometriose-relatert eggstokkreft (ATENA)

Endometriose (EMS) er en kronisk, invaliderende, inflammatorisk gynekologisk tilstand som rammer 10-15 % av kvinner i reproduktiv alder. EMS er preget av lesjoner av endometriallignende vev utenfor livmoren som involverer bekkenhinnen og eggstokkene. I tillegg observeres noen ganger fjerne foci. Dessverre er etiologien til EMS lite kjent. Selv om det ikke er ondartet, deler EMS lignende egenskaper med kreft, som utvikling av lokale og fjerne foci, motstand mot apoptose og invasjon av annet vev med påfølgende skade på målorganene. Dessuten viste pasienter med EMS (spesielt ovarie-EMS) høy risiko (omtrent 3 til 10 ganger) for å utvikle epitelial eggstokkreft (EOC). Epidemiologiske, morfologiske og molekylære studier rapporterte endometriom som forløperen til EOC, inkludert klarcellet (CCC) endometrioid karsinom som begge kalles "EMS-relatert ovariekarsinom (EROC)". Til dags dato er det fortsatt uklart hvorfor godartet EMS forårsaker ondartet transformasjon. Denne flertrinnsprosessen, i motsetning til høygradige serøse karsinomer, gir muligheten til å identifisere karsinomforløperne, noe som muliggjør en tidlig diagnose og i tidlige stadier av sykdommen.

EOC er den mest dødelige kvinnelige gynekologiske kreften med 25 % 5-års total overlevelse (OS), på grunn av mangel på effektive screeningsverktøy, og sprer seg raskt over hele peritonealoverflaten (karsinose) og involverer dermed alle abdominale organer. Diagnose og klinisk iscenesettelse av EOC utføres for tiden ved kvalitativ bildeevaluering selv om sensitiviteten/spesifisiteten er suboptimal. Til dags dato er diagnostiske, iscenesettelse og prognostiske faktorer sterkt korrelert med subjektiv vurderingstrening og klinikeres erfaring.

Genomisk analyse basert på Next Generation Sequencing (NGS) har avslørt tilstedeværelsen av kreftassosierte genmutasjoner i EMS. Dessuten involverer den kroniske inflammatoriske prosessen ved EMS mange faktorer, som hormoner, cytokiner, glykoproteiner og angiogene faktorer, som forventes å bli tidlige EMS-biomarkører.

En lovende ny gren av kreftforskning er bruken av kunstig intelligens (AI) for å gjenkjenne nye bildemønstre og tekstur og/eller oppdage nye biomarkører for å forbedre tidlig identifisering av EROC-pasienter. AI har aldri blitt brukt for EROC og vi ønsker å undersøke om disse metodene/teknikkene kan støtte og til og med forbedre dagens diagnostikk og risikovurdering. AI vil bli brukt til å konstruere en ny 3D risikovurderingsmodell basert på bilder og volum av interesse