Rozwój, bezpieczeństwo i wykonalność platformy opartej na sztucznej inteligencji (NodeAI) do przewidywania w czasie rzeczywistym nowotworu węzłów chłonnych śródpiersia podczas ultrasonografii wewnątrzoskrzelowej w kierunku raka płuc (NodeAI)

Rak płuc jest główną przyczyną corocznych zgonów z powodu nowotworów na całym świecie, częściej niż rak piersi, prostaty i jelita grubego razem wzięte. Ocena stopnia zaawansowania węzłów chłonnych klatki piersiowej (LN) jest kluczowym krokiem na ścieżce diagnostyki raka płuc, ponieważ pomaga w podjęciu decyzji dotyczących leczenia – niezależnie od tego, czy pacjent jest kandydatem do resekcji płuc, chemioterapii, radioterapii czy leczenia multimodalnego. Ultrasonografia wewnątrzoskrzelowa przezoskrzelowa aspiracja igłowa (EBUS-TBNA) to aktualny standard oceny stopnia zaawansowania węzłów klatki piersiowej w przypadku niedrobnokomórkowego raka płuc (NSCLC), a wytyczne wymagają rutynowego pobierania próbek (SS) z co najmniej 3 stacji LN klatki piersiowej w celu uzyskania dokładnej inscenizacja. Niestety badanie EBUS-TBNA daje niedokładne wyniki u 40% pacjentów, co prowadzi do błędnych decyzji dotyczących leczenia. Odsetek ten jest znacznie wyższy u pacjentów z potrójnie normalnymi LN [LN, które wydają się normalne w tomografii komputerowej (CT), skanach pozytonowej tomografii emisyjnej (PET) i EBUS], w przypadku których prawdopodobieństwo rzeczywistego wykrycia wynosi > 93%. łagodny. Dzieje się tak dlatego, że EBUS-TBNA opiera się na ultradźwiękach, których powodzenie w dużym stopniu zależy od umiejętności osoby je wykonującej (operatora). Gdy operator popełni błąd, cała procedura jest zagrożona. Powoduje to późniejsze opóźnienia w leczeniu z powodu wielokrotnych badań i źle poinformowanych decyzji dotyczących leczenia.

W ciągu ostatniej dekady badacz przeprowadził serię badań i prób: opracowanie i walidację kanadyjskiej skali węzła chłonnego (CLNS) – półilościowej metody pomiaru złośliwości LN, przeprowadzanej przez chirurga; wersja CLNS oparta na sztucznej inteligencji (AI) umożliwiająca przewidywanie złośliwości; oraz w pełni autonomiczną sztuczną inteligencję, która nauczyła się przewidywać nowotwór złośliwy bezpośrednio na podstawie obrazów ultrasonograficznych, aby wprowadzić sztuczną inteligencję na ścieżkę podejmowania decyzji w NSCLC. Doprowadziło to do stworzenia oprogramowania opartego na sztucznej inteligencji, umożliwiającego przewidywanie złośliwości węzłów chłonnych śródpiersia u pacjentów z rakiem płuc. Oprogramowanie jest obecnie przechowywane w chmurze, a jego aplikacje są ukryte, co oznacza, że ​​obrazy LN muszą zostać przesłane do oprogramowania, a wyniki zostaną odebrane w przyszłości. W obecnej formie oprogramowanie nie jest gotowe do zastosowania klinicznego ze względu na opóźnienia. W ramach tego projektu badacz ma na celu zbudowanie urządzenia przyłóżkowego, w którym będzie znajdować się oprogramowanie (NodeAI) i które będzie dostarczać chirurgowi wyniki w czasie rzeczywistym. Urządzenie to zostanie przetestowane w badaniu klinicznym.