Rozwój klinicznie wysoce wydajnych platform do zindywidualizowanego leczenia raka szyjki macicy

Dla Celu 1. Automatyczne wyznaczanie złożonych celów guza dla raka szyjki macicy dla całkowitej objętości guza (GTV) na początku badania i podczas brachyterapii oraz docelowej objętości klinicznej wysokiego ryzyka (CTV) na początku badania i podczas brachyterapii zostanie wykonane na podstawie rezonansu magnetycznego.

Następujące struktury zostaną przetworzone do automatyzacji na CT

1. Docelowy wolumen kliniczny niskiego ryzyka (CTV niskiego ryzyka)
2. GTV: Nodal
3. Elektywna objętość docelowa miednicy węzłowej
4. Elektywna objętość węzłowa miednicy i paraaorty
5. Odbytnica
6. Pęcherz moczowy
7. esicy
8. Jelito
9. Szpik kostny

Dla celu 2. Badacz zamierza wykorzystać uczenie maszynowe do opracowania bardziej niezawodnych modeli przewidywania toksyczności normalnej tkanki. Zostaną również przeprowadzone dalsze zaawansowane techniki, takie jak analiza tekstury map dawek promieniowania i obserwacja gęstości tkanki, aby opracować modele prognostyczne toksyczności. Korzystając z naszych zestawów danych pacjentów, Badacz chce stworzyć bibliotekę planów wiązek protonów z systemami planowania protonów, które będą dostępne na oddziale radioterapii onkologicznej, a korzystając z opracowanych wykresów powikłań tkanek prawidłowych, dostępnych informacji o dawkach osiągalnych przez protony, może pomóc w identyfikacji pacjentów, którzy odniosą korzyści z terapii protonowej.

Dla Celu 3. W ramach tego projektu badacz zamierza zintegrować funkcje oceny stopnia zaawansowania, patologii i ilościowego obrazowania tekstury w celu przewidywania odpowiedzi i identyfikacji „kohorty wysokiego ryzyka” w raku szyjki macicy. Uwzględnione zostaną obrazy i dane kliniczne od pacjentów, u których wykonano MRI na początku badania. Cechy tekstury można wykorzystać do kategoryzowania „dobrych” i „słabo reagujących” na chemioradioterapię. Dla tej samej kohorty pacjentów badacz ma również dostępne tkanki, w tym wyniki dodatkowych biomarkerów (takich jak AKT, LICAM, PDL1, CD4 i CD8). Badacz zamierza najpierw skorelować różnice w cechach tekstury i sprawdzić, czy istnieje wzór różnych cech molekularnych. W drugim etapie można zintegrować obrazowanie i cechy molekularne w celu opracowania „modeli przewidywania ryzyka”. GTV i HRCTV nakreślone na podstawie 150 zestawów danych na początku badania i brachyterapii w ramach Celu 1 zostaną wykorzystane do kategoryzacji pacjentów reagujących i niereagujących oraz do walidacji kolejnych 150 zestawów danych pacjentów.