Serum och vävnadsmetabolitbaserad förutsägelse av sentinel lymfkörtelmetastas i bröstcancer

Bröstcancer är en elakartad tumör med den högsta sjukligheten och dödligheten bland kvinnor över hela världen. Noggrann stadieindelning av axillära lymfkörtlar är avgörande för metastaserande bedömning och beslut om behandlingsmetoder hos bröstcancerpatienter. Bland patienter som genomgick sentinel lymfkörtelbiopsi hade cirka 70 % av patienterna negativa patologiska resultat och med andra ord fick dessa 70 % av patienterna onödiga operationer. För närvarande är bilddiagnostik och patologisk diagnos det huvudsakliga måttet på lymfkörtelmetastaser vid bröstcancer. Begränsningar kvarstod dock. Artificiell intelligens, inklusive algoritmer för djupinlärning och maskininlärning, har dykt upp som en möjlig teknik, som kan göra en mer noggrann förutsägelse genom maskinbaserad insamling, inlärning och bearbetning av tidigare information, särskilt inom radiologi och patologibaserad diagnostik. Med intensifieringen av begreppet precisionsmedicin och utvecklingen av icke-invasiv teknologi, avser vi att använda tekniken för artificiell intelligens för att utveckla en serum- och vävnadsbaserad prediktiv modell för diagnostik av sentinel lymfkörtelmetastaser kombinerat med avbildning och patologisk information, vilket ger specifika, effektiva och icke-invasiva biologiska indikatorer för övervakning och tidig intervention av lymfkörtelmetastaser hos patienter med bröstcancer. Därför inkluderar vi retrospektivt serumprover från tidiga bröstcancerpatienter som genomgår sentinel lymfkörtelbiopsi, inklusive en upptäcktskohort och en modelleringskohort. Metaboliter detekterades och screenades i upptäcktskohorten och sedan som målmetaboliter för riktad detektion i modelleringskohorten. I kombination med preoperativ avbildning och patologisk information, skulle en prediktionsmodell av bröstcancer sentinel lymfkörtelmetastas baserad på serummetaboliter etableras. Därefter kommer multicenter bröstcancerpatienter prospektivt att inkludera för att verifiera noggrannheten och stabiliteten hos vår modell.