Construção e validação de um modelo de avaliação de PCR após NAT em pacientes com câncer de mama com tecnologia de IA

O câncer de mama é o câncer mais prevalente entre as mulheres em todo o mundo. O tratamento neoadjuvante (NAT) faz parte do tratamento padronizado do câncer de mama e é especialmente importante para o câncer de mama localmente avançado. Numerosos estudos mostraram que pacientes que atingem resposta patológica completa (pCR) após NAT podem ter melhores taxas de sobrevida global e livre de doença, tornando assim a vantagem de sobrevida da cirurgia radical menos significativa. No entanto, atualmente, a PCR só pode ser julgada por testes patológicos de espécimes ressecados cirurgicamente, e a questão de saber se a PCR pode ser julgada com precisão no pré-operatório tornou-se uma questão urgente.

A tecnologia de inteligência artificial (IA) é um ramo da ciência da computação que tenta entender a essência da inteligência e produzir uma nova máquina inteligente que pode responder de maneira semelhante à inteligência humana, da qual o reconhecimento de imagem é amplamente utilizado na pesquisa clínica como um importante componente da IA. Nos últimos anos, com o desenvolvimento da IA ​​e algoritmos relacionados, mais e mais pesquisadores estão trabalhando no uso de imagens de imagem para determinar a eficácia do NAT com mais precisão, tentando isentar uma fração de pacientes que obtêm pCR de cirurgia radical e nunca alcançam uma melhor aparência e qualidade de sobrevivência.

A equipe de Simon selecionou 246 pacientes que frequentaram o Centro de Oncologia de Salzburg, na Austrália, de 2006 a 2016, tiveram DCE-MRI pré-cirúrgico lidos por cientistas de imagem com mais de 10 anos de experiência e deram um julgamento de remissão completa, apenas para obter uma avaliação mais pessimista resultado: um valor preditivo positivo de apenas 48%. A equipe de Jinsun selecionou pacientes que passaram por NAT no Samsung Medical Center de 2007 a 2016. Os resultados mostraram que o valor kappa do teste de concordância entre resposta radiológica completa (rCR) e PCR mamária foi de 0,459, e o valor kappa do teste de concordância entre rCR axilar e pCR axilar As equipes de Woo e Erika analisaram os subgrupos que levaram a falsos determinações negativas de pCR na RM e sugeriram que os pacientes com subtipos G1-2, Luminal A/B e realce não irregular tinham dificuldade em avaliar a remissão completa pela RM. É evidente que agora é difícil usar abordagens de modelagem tradicionais para PCR para determinar o nível de aplicação clínica.

A equipe de Elizabeth usou ressonância magnética pré-operatória, tecnologia AI para extração de recursos e informações clínico-patológicas para construir um modelo de determinação de PCR, que teve um bom desempenho no conjunto de validação independente com uma AUC de 0,83 (95% CI: 0,71-0,94). A equipe de Imon usou a extração de recursos de Riesz para determinar pCR em pacientes com câncer de mama triplo negativo submetidos a NAT, e o ROC do modelo final atingiu 0,85. A equipe do professor Yang Fan, do Departamento de Radiologia do Wuhan Union Medical College Hospital, Wuhan, China, usou parâmetros DCE-MRI multifásicos e algoritmos de aprendizado de máquina para construir o modelo, e a área ROC mais alta sob a curva atingiu 0,919. Os resultados acima mostram que o modelo de determinação de PCR de histologia de imagem com tecnologia AI é uma grande melhoria em comparação com o modelo tradicional.

Embora um número crescente de estudos tenha confirmado a importância da histologia de imagem para a determinação de NAT pCR, muitos dos estudos atuais apresentam algumas falhas. Quando avaliados usando o escore padrão internacional de histologia de imagem RQS, verificou-se que a maioria dos estudos: (i) carecia de coortes de validação externa; (ii) não forneceu descrições apropriadas de extração de parâmetros; (iii) faltava um processo padronizado para parâmetros de imagem; e (iv) tiveram amostras pequenas. Portanto, estudos mais sistemáticos e padronizados ainda precisam ser realizados pela maioria dos pesquisadores.

Portanto, este projeto pretende estabelecer e validar um modelo para determinação de pCR após NAT em câncer de mama com base em informações clínicas, imagens e informações patológicas de pacientes com câncer de mama em vários centros usando tecnologia de inteligência artificial de acordo com diretrizes internacionais e consenso nacional de especialistas em mama cancer NAT, a fim de resolver o problema de tomada de decisão cirúrgica para pacientes após o NAT, combinando especialistas de medicina da mama, cirurgia, patologia e departamentos de imagem em vários hospitais terciários em toda a China. O modelo será validado para resolver o problema de tomada de decisão cirúrgica para pacientes pós-NAT.