Prognozowanie przerzutów do węzła wartowniczego w raku piersi na podstawie metabolitów surowicy i tkanek

Rak piersi jest nowotworem złośliwym o największej zachorowalności i śmiertelności wśród kobiet na całym świecie. Dokładna ocena stopnia zaawansowania węzłów chłonnych pachowych ma kluczowe znaczenie dla oceny przerzutów i decyzji dotyczących leczenia pacjentki z rakiem piersi. Wśród pacjentów, u których wykonano biopsję węzła wartowniczego, około 70% pacjentów miało negatywne wyniki patologiczne, innymi słowy, te 70% pacjentów przeszło niepotrzebną operację. Obecnie głównym sposobem oceny przerzutów do węzłów chłonnych w raku piersi jest diagnostyka obrazowa i patologiczna. Jednak ograniczenia pozostały. Sztuczna inteligencja, w tym algorytmy głębokiego uczenia się i uczenia maszynowego, pojawiła się jako możliwa technika, która może zapewnić większą dokładność przewidywania poprzez gromadzenie, uczenie się i przetwarzanie wcześniejszych informacji w oparciu o maszyny, zwłaszcza w diagnostyce opartej na radiologii i patologii. Wraz z intensyfikacją koncepcji medycyny precyzyjnej i rozwojem technologii nieinwazyjnych, zamierzamy wykorzystać technologię sztucznej inteligencji do opracowania opartego na surowicy i tkankach modelu predykcyjnego do diagnostyki przerzutów do węzła wartowniczego połączonego z obrazowaniem i informacją patologiczną, dostarczając specyficzne, skuteczne i nieinwazyjne wskaźniki biologiczne do monitorowania i wczesnej interwencji przerzutów do węzłów chłonnych u pacjentki z rakiem piersi. Dlatego retrospektywnie uwzględniamy próbki surowicy od pacjentów z wczesnym rakiem piersi poddawanych biopsji węzła wartowniczego, w tym kohortę odkrywczą i kohortę modelującą. Metabolity zostały wykryte i przebadane w kohorcie odkrywczej, a następnie jako docelowe metabolity do ukierunkowanego wykrywania w kohorcie modelującej. W połączeniu z obrazowaniem przedoperacyjnym i informacjami patologicznymi, stworzony zostałby model przewidywania przerzutów raka piersi do wartowniczego węzła chłonnego na podstawie metabolitów w surowicy. Następnie pacjenci z wieloośrodkowym rakiem piersi będą prospektywnie włączani do weryfikacji dokładności i stabilności naszego modelu.