Построение и проверка модели оценки ПЦР после NAT у пациентов с раком молочной железы с помощью технологии ИИ

Рак молочной железы является наиболее распространенным раком среди женщин во всем мире. Неоадъювантное лечение (НАТ) является частью стандартизированного лечения рака молочной железы и особенно важно при местно-распространенном раке молочной железы. Многочисленные исследования показали, что пациенты, достигшие патологического полного ответа (pCR) после NAT, могут иметь лучшие показатели безрецидивной и общей выживаемости, что делает преимущество радикальной хирургии в выживаемости менее значительным. Однако в настоящее время о пПО можно судить только путем патологического исследования хирургически резецированных образцов, и вопрос о том, можно ли точно судить о пПО до операции, стал актуальным.

Технология искусственного интеллекта (ИИ) — это отрасль компьютерных наук, которая пытается понять сущность интеллекта и создать новую интеллектуальную машину, которая может реагировать аналогично человеческому интеллекту, из которых распознавание изображений широко используется в клинических исследованиях как важная компонент ИИ. В последние годы, с развитием ИИ и связанных с ним алгоритмов, все больше и больше исследователей работают над использованием изображений-изображений для более точного определения эффективности NAT, пытаясь освободить часть пациентов, достигших пПО, от радикальной операции и никогда не достигших лучший внешний вид и качество выживания.

Команда Саймона отобрала 246 пациентов, которые посещали Зальцбургский онкологический центр в Австралии с 2006 по 2016 год, прошли предоперационную ДКЭ-МРТ у специалистов по визуализации с более чем 10-летним опытом и дали заключение о полной ремиссии, только чтобы получить более пессимистичный результат. результат: положительная прогностическая ценность всего 48%. Команда Джинсуна отобрала пациентов, которые проходили NAT в медицинском центре Samsung в 2007–2016 годах. Результаты показали, что значение каппа теста на соответствие между рентгенологическим полным ответом (rCR) и pCR молочной железы составило 0,459, а значение каппа теста на соответствие между подмышечным rCR и подмышечным pCR. Группы Ву и Эрики проанализировали подгруппы, которые привели к ложным результатам. отрицательные МРТ-определения pCR и предположили, что у пациентов с G1-2, люминальными подтипами A / B и некусковым усилением было трудно оценить полную ремиссию с помощью МРТ. Очевидно, что в настоящее время трудно использовать традиционные подходы к моделированию pCR для определения уровня клинического применения.

Команда Элизабет использовала предоперационную МРТ, технологию искусственного интеллекта для выделения признаков и клинико-патологическую информацию для построения модели определения pCR, которая хорошо показала себя в независимой проверочной выборке с AUC 0,83 (95% ДИ: 0,71–0,94). Команда Имона использовала извлечение признаков Рисса для определения pCR у пациентов с тройным негативным раком молочной железы, подвергающихся NAT, и окончательная модель ROC достигла 0,85. Команда профессора Ян Фань из отделения радиологии больницы Уханьского объединенного медицинского колледжа, Ухань, Китай, использовала многофазные параметры DCE-MRI и алгоритмы машинного обучения для построения модели, и самая высокая площадь ROC под кривой достигла 0,919. Приведенные выше результаты показывают, что модель определения pCR гистологической визуализации с технологией ИИ является большим улучшением по сравнению с традиционной моделью.

Несмотря на то, что все большее число исследований подтверждает важность визуализации гистологии для определения pCR NAT, многие из текущих исследований имеют некоторые недостатки. При оценке с использованием международной стандартной оценки RQS для гистологии изображений было обнаружено, что в большинстве исследований: (i) отсутствовали когорты внешней проверки; (ii) не предоставили надлежащих описаний извлечения параметров; (iii) отсутствовал стандартизированный процесс для параметров визуализации; и (iv) имели небольшие размеры выборки. Поэтому большинству исследователей еще предстоит провести более систематические и стандартизированные исследования.

Таким образом, в рамках этого проекта планируется создать и утвердить модель определения pCR после NAT при раке молочной железы на основе клинической информации, изображений и патологической информации о пациентах с раком молочной железы в нескольких центрах с использованием технологии искусственного интеллекта в соответствии с международными рекомендациями и консенсусом местных экспертов по молочной железе. рака NAT, чтобы решить проблему принятия хирургических решений для пациентов после NAT, объединив экспертов из отделений медицины груди, хирургии, патологии и визуализации в нескольких больницах третичного уровня по всему Китаю. Модель будет проверена для решения проблемы принятия хирургических решений у пациентов после NAT.