Utviklingen, sikkerheten og gjennomførbarheten av en kunstig intelligens-drevet plattform (NodeAI) for sanntidsprediksjon av mediastinal lymfeknute-malignitet under endobronkial ultralydstadie for lungekreft (NodeAI)

Lungekreft er den ledende årsaken til årlige kreftdødsfall globalt, mer enn bryst-, prostata- og tykktarmskreft til sammen. Iscenesettelsen av brystlymfeknuter (LNs) er et avgjørende skritt i lungekreftdiagnostisk vei fordi det hjelper til med behandlingsbeslutninger - enten en pasient er en kandidat for lungereseksjon, kjemoterapi, stråling eller multimodale behandlinger. Endobronchial Ultrasound Transbronchial Needle Aspiration (EBUS-TBNA) er den gjeldende standarden for thorax nodal staging for ikke-småcellet lungekreft (NSCLC), og retningslinjer krever at systematisk prøvetaking (SS) av minst 3 thorax LN-stasjoner utføres rutinemessig for nøyaktig iscenesettelse. Dessverre gir EBUS-TBNA unøyaktige resultater hos 40 % av pasientene, noe som fører til feilinformerte behandlingsbeslutninger. Denne andelen er mye høyere hos pasienter med trippelnormale LN-er [LN-er som virker normale på computertomografi (CT)-skanning, positronemisjonstomografi (PET)-skanning og EBUS], som har vist seg å ha en > 93 % sjanse for å være virkelig. godartet. Dette er fordi EBUS-TBNA er basert på ultralyd, hvis suksess i stor grad avhenger av ferdighetene til personen som utfører den (operatøren). Når operatøren gjør en feil, settes hele prosedyren i fare. Dette forårsaker nedstrøms forsinkelser i behandlingen på grunn av gjentatt testing og dårlig informerte behandlingsbeslutninger.

I løpet av det siste tiåret har etterforskeren gjennomført en rekke forskningsstudier og studier: utvikling og validering av Canada Lymph Node Score (CLNS) - et kirurgavledet semi-kvantitativt mål på LN-malignitet; en kunstig intelligens (AI)-basert versjon av CLNS for å forutsi malignitet; og en fullstendig autonom AI som lærte å forutsi malignitet direkte fra ultralydbilder, for å introdusere AI til beslutningsveien i NSCLC. Dette resulterte i etableringen av en AI-drevet programvare for å forutsi malignitet i mediastinale LN-er hos pasienter med lungekreft. Programvaren er for tiden plassert i skylagring og applikasjonene er latente - noe som betyr at LN-bilder må lastes opp til programvaren, og resultater mottas på et fremtidig tidspunkt. I sin nåværende form er ikke programvaren klar for klinisk bruk på grunn av denne latensen. I dette prosjektet har etterforskeren som mål å bygge en behandlingsenhet som skal huse programvaren (NodeAI) og levere sanntidsresultater til kirurgen, og denne enheten vil bli testet i en klinisk studie.