Svarsförutsägelse för neoadjuvant kemoradiation i matstrupscancer med hjälp av artificiell intelligens och maskininlärning (QARC)

I matstrupscancer är neoadjuvant samtidig kemo-radioterapi (NA-CCRT) följt av kirurgi den nuvarande standarden för vård och gott om bevis har samlats som stödjer uppfattningen att fullständigt patologiskt svar (pCR) är en positiv prognostisk markör för förbättrade resultat. Att förutsäga sannolikheten för att uppnå pCR före neoadjuvant behandling kan tillåta modifiering av behandlingsprotokoll för de patienter som sannolikt inte kommer att uppnå pCR.

Radiomics är en ny aktör inom bildbehandling där specifika egenskaper härleds från intensiteten och distributionsmönstret för pixlar baserat på en region av intresse (ROI). De sålunda extraherade funktionerna kan sedan användas för förutsägelsemodellering liknande andra -omics-datauppsättningar. Preliminära undersökningar för att undersöka dess användbarhet har utförts och dess tillämpningar har hittills fokuserat på screening och överlevnadsförutsägelse efter behandling. På grund av den flerdimensionella karaktären hos data som extraheras med radiomik är metoderna för artificiell intelligens (AI) idealiskt lämpade för att analysera och modellera radiomikrofoniska egenskaper.

Machine Learning (ML) och Deep Learning (DL) [använder Convolutional Neural Networks (CNN)] är båda en del av AI-ramverket. Till skillnad från ML är DL en ny deltagare och har använts av vissa medicinska forskare för modellering med algoritmer av prediktionstyp. Förutom att avsevärt minska arbetsflödet i samband med radiomik-baserad forskning, är funktionsteknik och modellering med DL immuna mot effekterna av felaktig ROI-avgränsning. Den huvudsakliga begränsningen för DL är dock "blackbox"-effekten, där den underliggande grunden för ett CNN inte är känd. Detta har delvis mildrats genom visualisering av aktiveringskartor direkt på bilddatauppsättningen för att bevisa biologisk rimlighet för förutsägelser. Den jämförande prestandan för båda typerna av modellering är inte heller känd.

Vårt mål är att undersöka pCR-sannolikhet i vår studiepopulation med hjälp av radiomik-baserad ML och AI-baserad modellering. Vi kommer också att undersöka den jämförande prestandan för båda modelleringsteknikerna. För DL-baserad prediktionsmodellering kommer vi att försöka tillhandahålla biologisk rimlighet på basis av aktiveringskartor.