Анализ изображений и ctDNA для улучшения стратификации риска и прогнозирования результатов при НМРЛ с применением искусственного интеллекта.

Наша основная гипотеза заключается в том, что специфические визуальные и генетические характеристики соответствуют стадии заболевания и исходу заболевания. Следовательно, они являются биомаркерами тяжести заболевания и рецидивов, которые можно оценить неинвазивно. Сочетание методов искусственного интеллекта с данными, полученными в результате медицинской визуализации, и циркулирующей бесклеточной опухолевой ДНК (цДНК) может обеспечить точную стадию и прогнозирование результатов. Эта гипотеза была сформулирована на основе данных о том, что медицинские изображения способны предоставить значимые данные, отражающие характеристики опухоли, фиксируя внутреннюю гетерогенность опухоли, неинвазивно, с использованием оценки всего тела и всего поражения. Фактически, в последние годы были изучены расширенные возможности анализа медицинских изображений с использованием радиомики, машинного обучения или в их сочетании — интеллектуального анализа изображений. Биомаркеры, полученные на основе изображений, с помощью извлечения текстурных признаков и применения сверточных нейронных сетей были протестированы для предоставления информации о «фенотипе» (злокачественные и доброкачественные заболевания, идентификация гистотипов, а также стадирование T или N). Более того, была показана корреляция между количественными признаками, полученными на изображениях, с паттернами экспрессии генов в тканях, связывающая фенотипы изображений с генотипом, как также продемонстрировано в наших предварительных данных. Во-вторых, был предложен подход интеллектуального анализа изображений для предоставления прогностической информации при базовой оценке, как также было показано в нашей предыдущей работе. Тем не менее, было опубликовано несколько проспективных исследований с надежным методологическим подходом. С другой стороны, анализ циркулирующей внеклеточной опухолевой ДНК (цДНК), выделенной из плазмы больных раком легких, был предложен в качестве альтернативного метода оценки заболевания на различных стадиях. В частности, при постановке диагноза, послеоперационном выявлении остаточного заболевания, выявлении мутаций в метастазах для руководства лечением и мониторинга ответа на лечение. Даже если ктДНК была обнаружена у пациентов со всеми стадиями НМРЛ, причем уровни увеличивались с увеличением стадии и опухолевой нагрузки, информация о ктДНК еще не изучалась с целью определения стадии. Возможность обнаружения опухоли на ранней стадии ее развития или рецидива должна сталкиваться с проблемой низкого количества вкДНК у пациентов с минимальным бременем заболевания. Более того, на специфичность влияет наличие парафизиологического фона ктДНК, особенно у пожилых людей. В связи с этим исследователи ожидают, что сочетание различных биомаркеров позволит решить эту проблему. Аналитика искусственного интеллекта все чаще описывается в приложениях здравоохранения. В последние годы контролируемые, полуконтролируемые и неконтролируемые методы машинного обучения применялись для анализа геномных, протеомных, клинических данных и рентгенографических характеристик. Методы глубокого обучения открывают возможности для всестороннего анализа многомерных данных для улучшения прогнозирования. Обоснование предлагаемого проекта заключается в том, что, как только станет известно, какие особенности визуализации и информация, полученная из цтДНК, связаны со стадией опухоли и послеоперационным риском рецидива, разработанный алгоритм станет эффективным и инновационным подходом как для постановки диагноза, так и для последующего наблюдения. Группа пациентов, страдающих раком легких, с последствиями для принятия решений в клинической практике.