Прогнозирование ответа на неоадъювантную химиолучевую терапию при раке пищевода с использованием искусственного интеллекта и машинного обучения (QARC)

При карциноме пищевода неоадъювантная одновременная химиолучевая терапия (NA-CCRT) с последующей операцией является текущим стандартом лечения, и накоплено достаточно доказательств, подтверждающих точку зрения, что полный патологический ответ (pCR) является положительным прогностическим маркером для улучшения исходов. Прогнозирование вероятности достижения пПО до неоадъювантного лечения может позволить модифицировать протоколы лечения для тех пациентов, которые вряд ли достигнут пПО.

Radiomics — это новичок в области обработки изображений, в котором специфические особенности определяются интенсивностью и характером распределения пикселей на основе интересующей области (ROI). Извлеченные таким образом признаки можно затем использовать для прогнозного моделирования, аналогичного другим наборам данных omics. Были проведены предварительные исследования, изучающие его полезность, и до сих пор его применение было сосредоточено на скрининге и прогнозировании выживаемости после лечения. Из-за многомерного характера данных, извлекаемых с помощью радиомики, методы искусственного интеллекта (ИИ) идеально подходят для анализа и моделирования радиомикроскопических характеристик.

Машинное обучение (ML) и глубокое обучение (DL) [с использованием сверточных нейронных сетей (CNN)] являются частью структуры ИИ. В отличие от машинного обучения, глубокое обучение является новичком и используется некоторыми медицинскими исследователями для моделирования с использованием алгоритмов прогнозного типа. Помимо значительного сокращения рабочего процесса, связанного с исследованиями на основе Radiomics, разработка функций и моделирование с использованием DL невосприимчивы к последствиям неправильного определения границ области интереса. Однако основным ограничением DL является эффект «черного ящика», при котором неизвестна лежащая в основе CNN основа. Это было частично смягчено визуализацией карт активации непосредственно в наборе данных изображений, чтобы доказать биологическую правдоподобность прогнозов. Сравнительная производительность обоих типов моделирования также неизвестна.

Наша цель - исследовать вероятность pCR в нашей исследуемой популяции с использованием моделирования на основе радиомики и ИИ. Мы также исследуем сравнительную производительность обоих методов моделирования. Для моделирования прогнозирования на основе DL мы попытаемся обеспечить биологическую достоверность на основе карт активации.