Bildeutvinning og ctDNA for å forbedre risikostratifisering og resultatprediksjon i NSCLC ved bruk av kunstig intelligens.

Vår sentrale hypotese er at særegne bildeavledede og genetiske egenskaper stemmer overens med sykdomsstadiet og pasientens utfall. Derfor er de biomarkører for sykdomsbyrde og tilbakefall, som kan vurderes ikke-invasivt. Kombinasjonen gjennom kunstig intelligens-metoder av data som kommer fra medisinsk bildebehandling og sirkulerende cellefritt tumor-DNA (ctDNA) kan gi nøyaktig iscenesettelse og resultatprediksjon. Denne hypotesen har blitt formulert basert på bevisene for at medisinske bilder er i stand til å gi meningsfulle data som gjenspeiler tumorkarakteristikker, fanger iboende tumorheterogenitet, ikke-invasivt, ved bruk av en helkropps- og hellesjonsvurdering. Faktisk, de siste årene har avansert analyse av medisinsk bildebehandling ved bruk av radiomik, maskinlæring eller i kombinasjon - bildeutvinning, blitt utforsket. Bildeavledede biomarkører, ved hjelp av teksturfunksjonsekstraksjon og konvolusjonell nevrale nettverksapplikasjon, har blitt testet for å gi "fenotype" informasjon (malign vs godartet, og histotype-identifikasjon, og T- eller N-staging. Dessuten er det vist korrelasjoner mellom bildeavledede kvantitative trekk med vevsgenekspresjonsmønstre, som kobler avbildningsfenotypene til genotypen som også demonstrert i våre foreløpige data. For det andre har image mining-tilnærming blitt foreslått for å gi prognostisk informasjon ved baseline-evaluering, som også vist i vårt tidligere arbeid. Likevel er det publisert få prospektive studier med robust metodisk tilnærming. På den annen side har analysen av sirkulerende cellefritt tumor-DNA (ctDNA) isolert fra plasma fra lungekreftpasienter blitt foreslått som en alternativ metode for å vurdere sykdommen i de ulike fasene. Spesielt ved diagnose, post-kirurgisk påvisning av gjenværende sykdom, identifisering av mutasjoner i metastatisk setting for behandlingsveiledning og overvåking av behandlingsrespons. Selv om ctDNA er påvist hos pasienter med alle stadier av NSCLC med nivåer som øker med stadiet og tumorbyrden, er ctDNA-informasjon ennå ikke undersøkt for iscenesettelsen. Muligheten for å oppdage en svulst i den tidlige fasen av dens utvikling eller tilbakefall må møte problemet med den lave mengden cfDNA hos pasienter med minimal sykdomsbyrde. Dessuten påvirker tilstedeværelsen av en parafysiologisk ctDNA-bakgrunn, spesielt hos eldre mennesker, spesifisiteten. I denne forbindelse forventer etterforskerne at kombinasjonen av ulike biomarkører vil tillate å løse dette problemet. Analyser av kunstig intelligens blir i økende grad beskrevet i helsetjenester. De siste årene har overvåket, semi-overvåket og uovervåket maskinlæringsmetoder blitt brukt for å analysere genomiske, proteomiske, kliniske data og radiografiske egenskaper. Dyplæringsmetoder gir muligheter for omfattende analyse av flerdimensjonale data for forbedret prognoseprediksjon. Begrunnelsen for det foreslåtte prosjektet er at når det først er kjent hvilke bildefunksjoner og ctDNA-avledet informasjon som er knyttet til tumorstadiet og postoperativ risiko for tilbakefall, vil den utviklede algoritmen være en effektiv og innovativ tilnærming for både iscenesettelse og oppfølging. -up av pasienter rammet av lungekreft, med implikasjoner på beslutningstaking i klinisk praksis.