Previsão de resposta à quimiorradiação neoadjuvante no câncer de esôfago usando inteligência artificial e aprendizado de máquina (QARC)

No carcinoma esofágico, a quimiorradioterapia concomitante neoadjuvante (NA-CCRT) seguida de cirurgia é o padrão de tratamento atual e amplas evidências se acumularam apoiando a visão de que a resposta patológica completa (pCR) é um marcador prognóstico positivo para melhores resultados. Prever a probabilidade de alcançar pCR antes do tratamento neoadjuvante pode permitir a modificação de protocolos de tratamento para aqueles pacientes que provavelmente não atingirão pCR.

A radiômica é um novo participante no campo da geração de imagens, onde características específicas são derivadas da intensidade e do padrão de distribuição de pixels com base em uma região de interesse (ROI). Os recursos assim extraídos podem ser usados ​​para modelagem de previsão semelhante a outros conjuntos de dados -omics. Investigações preliminares examinando sua utilidade foram realizadas e suas aplicações até agora se concentraram na triagem e previsão de sobrevida após o tratamento. Devido à natureza multidimensional dos dados extraídos usando radiômica, os métodos de Inteligência Artificial (IA) são ideais para analisar e modelar recursos radiômicos.

Machine Learning (ML) e Deep Learning (DL) [utilizando redes neurais convolucionais (CNN)] fazem parte da estrutura de IA. Em contraste com o ML, o DL é um novo entrante e tem sido utilizado por alguns pesquisadores médicos para modelagem usando algoritmos do tipo predição. Além de reduzir significativamente o fluxo de trabalho associado à pesquisa baseada em Radiomics, a engenharia de recursos e a modelagem usando DL são imunes aos efeitos do delineamento incorreto do ROI. No entanto, a principal limitação do DL é o efeito 'caixa preta', no qual a base subjacente de uma CNN não é conhecida. Isso foi mitigado em parte pela visualização de mapas de ativação diretamente no conjunto de dados de imagem para provar a plausibilidade biológica das previsões. O desempenho comparativo de ambos os tipos de modelagem também não é conhecido.

Nosso objetivo é investigar a probabilidade de PCR em nossa população de estudo usando ML baseado em radiômica e modelagem baseada em IA. Também investigaremos o desempenho comparativo de ambas as técnicas de modelagem. Para modelagem de predição baseada em DL, tentaremos fornecer plausibilidade biológica com base em mapas de ativação.