Eksploracja obrazów i ctDNA w celu poprawy stratyfikacji ryzyka i przewidywania wyników w NSCLC przy zastosowaniu sztucznej inteligencji.

Naszą główną hipotezą jest to, że specyficzne cechy obrazowe i genetyczne są zgodne ze stadium choroby i wynikami leczenia pacjenta. Są zatem biomarkerami ciężkości choroby i nawrotu choroby, które można ocenić nieinwazyjnie. Połączenie za pomocą metod sztucznej inteligencji danych pochodzących z obrazowania medycznego i krążącego bezkomórkowego DNA guza (ctDNA) może zapewnić dokładne określenie stopnia zaawansowania i przewidywanie wyników. Hipotezę tę sformułowano w oparciu o dowody wskazujące, że obrazy medyczne są w stanie dostarczyć istotnych danych odzwierciedlających charakterystykę nowotworu, uchwycić wewnętrzną heterogeniczność nowotworu w sposób nieinwazyjny, z wykorzystaniem oceny całego ciała i całej zmiany chorobowej. W ostatnich latach zaczęto badać zaawansowaną analizę obrazowania medycznego z wykorzystaniem radiomiki, uczenia maszynowego lub połączenia – eksploracji obrazów. Biomarkery pochodzące z obrazu, za pomocą ekstrakcji cech tekstury i zastosowania splotowej sieci neuronowej, zostały przetestowane w celu dostarczenia informacji o „fenotypie” (złośliwość vs łagodna, identyfikacja histotypu oraz stopień zaawansowania T lub N). Ponadto wykazano korelacje między cechami ilościowymi pochodzącymi z obrazu a wzorcami ekspresji genów w tkankach, łącząc fenotypy obrazowania z genotypem, jak również wykazano w naszych wstępnych danych. Po drugie, zaproponowano podejście do eksploracji obrazów w celu dostarczenia informacji prognostycznych podczas oceny wyjściowej, jak również wykazano w naszej poprzedniej pracy. Mimo to opublikowano niewiele badań prospektywnych charakteryzujących się solidnym podejściem metodologicznym. Z drugiej strony, jako alternatywną metodę oceny choroby w różnych fazach zaproponowano analizę krążącego bezkomórkowego DNA guza (ctDNA) wyizolowanego z osocza pacjentów z rakiem płuc. W szczególności w momencie diagnozy, pooperacyjnego wykrycia choroby resztkowej, identyfikacji mutacji w środowisku przerzutowym w celu ustalenia wskazówek dotyczących leczenia i monitorowania odpowiedzi na leczenie. Nawet jeśli ctDNA wykryto u pacjentów we wszystkich stadiach NSCLC, a jego poziomy wzrastały wraz ze stopniem zaawansowania i masą guza, informacje o ctDNA nie zostały jeszcze zbadane na potrzeby oceny stopnia zaawansowania. Możliwość wykrycia nowotworu we wczesnej fazie jego rozwoju lub wznowy musi stawić czoła problemowi małej ilości cfDNA u pacjentów z minimalnym obciążeniem chorobą. Ponadto obecność parafizjologicznego tła ctDNA, szczególnie u osób starszych, wpływa na specyficzność. W związku z tym badacze spodziewają się, że połączenie różnych biomarkerów pozwoli rozwiązać ten problem. Analityka sztucznej inteligencji jest coraz częściej opisywana w zastosowaniach związanych z opieką zdrowotną. W ostatnich latach do analizy danych genomicznych, proteomicznych, klinicznych i cech radiograficznych zastosowano nadzorowane, częściowo nadzorowane i nienadzorowane metody uczenia maszynowego. Metody głębokiego uczenia się oferują możliwości kompleksowej analizy danych wielowymiarowych w celu lepszego przewidywania rokowań. Uzasadnieniem proponowanego projektu jest to, że gdy już będzie wiadomo, które cechy obrazowania i informacje uzyskane z ctDNA są powiązane ze stadium nowotworu i pooperacyjnym ryzykiem nawrotu, opracowany algorytm będzie skutecznym i innowacyjnym podejściem zarówno do oceny stopnia zaawansowania, jak i obserwacji. -obserwacja pacjentów dotkniętych rakiem płuc, z konsekwencjami dla procesu decyzyjnego w praktyce klinicznej.