Prognozowanie odpowiedzi na neoadjuwantową chemioradioterapię w raku przełyku z wykorzystaniem sztucznej inteligencji i uczenia maszynowego (QARC)

W raku przełyku współbieżna chemio-radioterapia neoadiuwantowa (NA-CCRT), po której następuje operacja, jest obecnie standardem postępowania i zgromadzono wiele dowodów potwierdzających pogląd, że całkowita odpowiedź patologiczna (pCR) jest pozytywnym wskaźnikiem prognostycznym dla lepszych wyników leczenia. Przewidywanie prawdopodobieństwa uzyskania pCR przed rozpoczęciem leczenia neoadiuwantowego mogłoby pozwolić na modyfikację protokołów leczenia dla tych pacjentów, u których prawdopodobieństwo uzyskania pCR jest niewielkie.

Radiomics to nowy podmiot w dziedzinie obrazowania, w którym określone cechy są uzyskiwane z intensywności i wzorca rozkładu pikseli w oparciu o obszar zainteresowania (ROI). Wyodrębnione w ten sposób cechy można następnie wykorzystać do modelowania predykcyjnego, podobnie jak w przypadku innych zestawów danych -omics. Przeprowadzono wstępne badania oceniające jego przydatność, a jego zastosowania koncentrowały się dotychczas na badaniach przesiewowych i przewidywaniu przeżycia po leczeniu. Ze względu na wielowymiarowy charakter danych pozyskiwanych za pomocą radiomiki, metody sztucznej inteligencji (AI) idealnie nadają się do analizy i modelowania cech radiomicznych.

Uczenie maszynowe (ML) i uczenie głębokie (DL) [wykorzystujące konwolucyjne sieci neuronowe (CNN)] są częścią struktury AI. W przeciwieństwie do ML, DL jest nowym uczestnikiem i został wykorzystany przez niektórych badaczy medycznych do modelowania przy użyciu algorytmów typu przewidywania. Oprócz znacznego ograniczenia przepływu pracy związanego z badaniami opartymi na radiomice, inżynieria cech i modelowanie przy użyciu DL są odporne na skutki nieprawidłowego wyznaczenia ROI. Jednak głównym ograniczeniem DL jest efekt „czarnej skrzynki”, w którym podstawa CNN nie jest znana. Zostało to częściowo złagodzone dzięki wizualizacji map aktywacji bezpośrednio na zbiorze danych obrazu, aby udowodnić biologiczną wiarygodność przewidywań. Nie jest również znana porównawcza wydajność obu typów modelowania.

Naszym celem jest zbadanie prawdopodobieństwa pCR w naszej badanej populacji przy użyciu modelowania ML i AI opartego na radiomice. Zbadamy również porównawczą wydajność obu technik modelowania. W przypadku modelowania predykcyjnego opartego na DL postaramy się zapewnić wiarygodność biologiczną na podstawie map aktywacji.