Budowa i walidacja modelu oceny PCR po NAT na pacjentach z rakiem piersi z technologią AI

Rak piersi jest najczęściej występującym nowotworem wśród kobiet na całym świecie. Leczenie neoadjuwantowe (NAT) jest częścią standardowego leczenia raka piersi i jest szczególnie ważne w przypadku miejscowo zaawansowanego raka piersi. Liczne badania wykazały, że pacjenci, którzy osiągnęli całkowitą odpowiedź patologiczną (pCR) po NAT, mogą mieć lepsze wskaźniki przeżycia wolnego od choroby i przeżycia całkowitego, przez co przewaga radykalnego zabiegu chirurgicznego w zakresie przeżycia jest mniej znacząca. Jednak obecnie pCR można ocenić jedynie na podstawie badań patologicznych wyciętych chirurgicznie próbek, a pytanie, czy pCR można dokładnie ocenić przed operacją, stało się pilną kwestią.

Technologia sztucznej inteligencji (AI) to gałąź informatyki, która próbuje zrozumieć istotę inteligencji i stworzyć nową inteligentną maszynę, która może reagować w podobny sposób jak ludzka inteligencja, której rozpoznawanie obrazu jest szeroko stosowane w badaniach klinicznych jako ważny element składnik SI. W ostatnich latach, wraz z rozwojem sztucznej inteligencji i powiązanych algorytmów, coraz więcej badaczy pracuje nad wykorzystaniem obrazów obrazowych do dokładniejszego określania skuteczności NAT, starając się zwolnić część pacjentów, którzy osiągają pCR, z radykalnego zabiegu chirurgicznego i nigdy nie osiągają lepszy wygląd i jakość przeżycia.

Zespół Simona wybrał 246 pacjentów, którzy uczęszczali do Salzburg Oncology Center w Australii w latach 2006-2016, którzy mieli przedoperacyjny odczyt DCE-MRI przez naukowców zajmujących się obrazowaniem z ponad 10-letnim doświadczeniem i wydali ocenę całkowitej remisji, tylko po to, aby uzyskać bardziej pesymistyczny wynik. wynik: dodatnia wartość predykcyjna wynosząca zaledwie 48%. Zespół jinsuna wybrał pacjentów, którzy przeszli NAT w Samsung Medical Center w latach 2007-2016. Wyniki pokazały, że wartość kappa testu zgodności między całkowitą odpowiedzią radiologiczną (rCR) a pCR piersi wyniosła 0,459, a wartość kappa testu zgodności między pachowym rCR i pachowym pCR. Zespoły Woo i Eriki przeanalizowały podgrupy, które doprowadziły do ​​fałszywie negatywne wyniki pCR w MRI i zasugerowali, że pacjenci z podtypem G1-2, luminalnym A/B i wzmocnieniem bez guzków mieli trudności z oceną całkowitej remisji za pomocą MRI. Oczywiste jest, że obecnie trudno jest zastosować tradycyjne podejście do modelowania pCR w celu określenia poziomu zastosowania klinicznego.

Zespół Elizabeth wykorzystał przedoperacyjny MRI, technologię sztucznej inteligencji do ekstrakcji cech i informacje kliniczno-patologiczne do skonstruowania modelu określania pCR, który dobrze spisał się w niezależnym zestawie walidacyjnym z AUC 0,83 (95% CI: 0,71-0,94). Zespół Imon wykorzystał ekstrakcję cech Riesza do określenia pCR u pacjentek z potrójnie ujemnym rakiem piersi poddawanych NAT, a ostateczny model ROC osiągnął 0,85. Zespół profesora Yang Fana z Wydziału Radiologii szpitala Wuhan Union Medical College Hospital w Wuhan w Chinach wykorzystał wielofazowe parametry DCE-MRI i algorytmy uczenia maszynowego do zbudowania modelu, a najwyższy obszar ROC pod krzywą osiągnął 0,919. Powyższe wyniki pokazują, że model oznaczania pCR w obrazowaniu histologicznym z wykorzystaniem technologii AI jest dużym ulepszeniem w porównaniu z tradycyjnym modelem.

Chociaż coraz więcej badań potwierdza znaczenie obrazowania histologicznego dla określenia NAT pCR, wiele z obecnych badań ma pewne wady. Podczas oceny przy użyciu międzynarodowego standardu obrazowania histologicznego RQS stwierdzono, że w większości badań: (i) brakowało zewnętrznych kohort walidacyjnych; (ii) nie zawierał odpowiednich opisów ekstrakcji parametrów; (iii) brakowało znormalizowanego procesu dotyczącego parametrów obrazowania; oraz (iv) miały małe rozmiary próbek. Dlatego większość badaczy czeka jeszcze na bardziej systematyczne i wystandaryzowane badania.

Dlatego w ramach tego projektu planuje się ustanowienie i walidację modelu określania pCR po NAT w raku piersi na podstawie informacji klinicznych, obrazowych i patologicznych pacjentów z rakiem piersi w wielu ośrodkach z wykorzystaniem technologii sztucznej inteligencji, zgodnie z międzynarodowymi wytycznymi i konsensusem krajowych ekspertów w sprawie piersi raka NAT, w celu rozwiązania problemu podejmowania decyzji chirurgicznych dla pacjentów po NAT, łącząc ekspertów z oddziałów medycyny piersi, chirurgii, patologii i obrazowania w kilku szpitalach trzeciego stopnia opieki w całych Chinach. Model zostanie poddany walidacji w celu rozwiązania problemu podejmowania decyzji chirurgicznych u pacjentów po NAT.