Bildutvinning och ctDNA för att förbättra riskstratifiering och resultatförutsägelse i NSCLC med tillämpning av artificiell intelligens.

Vår centrala hypotes är att speciella bildhärledda och genetiska egenskaper stämmer överens med sjukdomsstadiet och patientens resultat. Därför är de biomarkörer för sjukdomsbörda och återfall, som kan bedömas icke-invasivt. Kombinationen genom artificiell intelligensmetoder av data som kommer från medicinsk bildbehandling och cirkulerande cellfritt tumör-DNA (ctDNA) kan ge korrekt stadieindelning och förutsägelse av resultat. Denna hypotes har formulerats baserat på bevis för att medicinska bilder kan ge meningsfulla data som återspeglar tumöregenskaper, fångar inre tumörheterogenitet, icke-invasivt, med hjälp av en helkropps- och helskadabedömning. Faktum är att på senare år har avancerad analys av medicinsk bildbehandling med hjälp av radiomik, maskininlärning eller i kombination - bildbrytning, utforskats. Bildhärledda biomarkörer, med hjälp av texturfunktionsextraktion och konvolutionerande neurala nätverkstillämpningar, har testats för att tillhandahålla "fenotyp"-information (malign vs benign, och histotypidentifiering och T- eller N-stadieindelning. Dessutom har korrelationer mellan bildhärledda kvantitativa egenskaper med vävnadsgenexpressionsmönster visats, vilket kopplar avbildningsfenotyperna till genotypen, vilket också visas i våra preliminära data. För det andra har tillvägagångssätt för bildutvinning föreslagits för att tillhandahålla prognostisk information vid baslinjeutvärdering, vilket också visats i vårt tidigare arbete. Ändå har få prospektiva studier med robust metodologisk metod publicerats. Å andra sidan har analys av cirkulerande cellfritt tumör-DNA (ctDNA) isolerat från plasma från lungcancerpatienter föreslagits som en alternativ metod för att bedöma sjukdomen i de olika faserna. I synnerhet vid diagnos, postkirurgisk upptäckt av kvarvarande sjukdom, identifiering av mutationer i metastaserande miljö för behandlingsvägledning och övervakning av behandlingssvar. Även om ctDNA har upptäckts hos patienter med alla stadier av NSCLC med nivåer som ökar med stadiet och tumörbördan har ctDNA-information ännu inte undersökts i syfte att iscensätta. Möjligheten att upptäcka en tumör i den tidiga fasen av dess utveckling eller återfall måste ta itu med frågan om den låga mängden cfDNA hos patienter med minimal sjukdomsbörda. Dessutom påverkar närvaron av en parafysiologisk ctDNA-bakgrund särskilt hos äldre människor specificiteten. I detta avseende förväntar sig utredarna att kombinationen av olika biomarkörer kommer att göra det möjligt att lösa detta problem. Analyser av artificiell intelligens beskrivs i allt högre grad i vårdapplikationer. Under de senaste åren har övervakade, semi-övervakade och oövervakade maskininlärningsmetoder använts för att analysera genomiska, proteomiska, kliniska data och radiografiska egenskaper. Metoder för djupinlärning erbjuder möjligheter till omfattande analys av multidimensionella data för förbättrad prognosförutsägelse. Bakgrunden till det föreslagna projektet är att, när det väl är känt vilka avbildningsegenskaper och ctDNA-härledd information som är kopplad till tumörstadiet och postoperativ risk för återfall, kommer den utvecklade algoritmen att vara ett effektivt och innovativt tillvägagångssätt för både iscensättning och uppföljning -up av patienter som drabbats av lungcancer, med konsekvenser för beslutsfattande i klinisk praxis.