Serum- og vevsmetabolittbasert prediksjon av vaktpostlymfeknutemetastase i brystkreft

Brystkreft er en ondartet svulst med høyest sykelighet og dødelighet blant kvinner over hele verden. Nøyaktig iscenesettelse av aksillære lymfeknuter er avgjørende for metastatisk vurdering og beslutninger angående behandlingsmodaliteter hos brystkreftpasienter. Blant pasienter som gjennomgikk vaktpostlymfeknutebiopsi, hadde ca. 70 % av pasientene negative patologiske resultater, og med andre ord ble disse 70 % av pasientene operert unødvendig. I dag er bildediagnostikk og patologisk diagnose hovedmålet på lymfeknutemetastase ved brystkreft. Imidlertid gjensto begrensninger. Kunstig intelligens, inkludert dyp læring og maskinlæringsalgoritmer, har dukket opp som en mulig teknikk, som kan gjøre en mer nøyaktig prediksjon gjennom maskinbasert innsamling, læring og prosessering av tidligere informasjon, spesielt innen radiologi og patologibasert diagnose. Med intensiveringen av konseptet presisjonsmedisin og utviklingen av ikke-invasiv teknologi, har vi til hensikt å bruke kunstig intelligens-teknologien til å utvikle en serum- og vevsbasert prediktiv modell for diagnose av metastaser fra sentinel lymfeknute kombinert med bildediagnostikk og patologisk informasjon, som gir spesifikke, effektive og ikke-invasive biologiske indikatorer for overvåking og tidlig intervensjon av lymfeknutemetastaser hos pasienter med brystkreft. Derfor inkluderer vi retrospektivt serumprøver fra tidlige brystkreftpasienter som gjennomgår vaktpostlymfeknutebiopsi, inkludert en oppdagelseskohort og en modelleringskohort. Metabolitter ble påvist og screenet i oppdagelseskohorten og deretter som målmetabolitter for målrettet påvisning i modelleringskohorten. Kombinert med preoperativ bildediagnostikk og patologisk informasjon, vil en prediksjonsmodell for brystkreft sentinel lymfeknutemetastase basert på serummetabolitter bli etablert. Deretter vil multisenter brystkreftpasienter prospektivt inkludere for å verifisere nøyaktigheten og stabiliteten til modellen vår.