AI för lungcancerriskdefinition i datortomografiscreeningsprogram

Lungcancer utgör 28 % av alla dödsfall i cancer i Europa, med 70 % av patienterna diagnostiserade i avancerade stadier och bara 21 % 5-års överlevnad. Trots rökningens orsakssamband till nästan 90 % av fallen, fortsätter den globala rökfrekvensen, vilket utgör en långsiktig utmaning för folkhälsan. Vårt fokus ligger på att förfina riskbedömningen för lungcancer med hjälp av blodbaserade biomarkörer, särskilt cirkulerande mikroRNA (miRNA) och C-reaktivt protein. Tvååriga LDCT-screeningar och blodprover som förutsäger risk för lungcancer har visat effektivitet, vilket har setts i vårt banbrytande arbete inom BioMILD-studien sedan 2013.

BioMILD-studien, som omfattar 4119 frivilliga, kombinerar LDCT- och mikroRNA-biomarkörer, vilket visar genomförbarhet och säkerhet under 4 år. Vår nuvarande strävan syftar till att utveckla en prediktiv modell för LDCT-detekterade högrisklungknutor, som innehåller blod, funktionella och radiomikroskopiska biomarkörer. Genom att utnyttja BioMILD-studiens biorepository, bilddatabas och 20 patienthärledda xenotransplantat (PDX), använder vi avancerade verktyg för artificiell intelligens (AI) för omfattande analys. Detta tillvägagångssätt, som involverar 400 försökspersoner med solida och sub-solida LDCT-lungknölar, inklusive 100 baseline-identifierade cancerpatienter, är avgörande.

Genom att kombinera blodbaserade biomarkörer, radiologiska parametrar, kliniska egenskaper och AI-verktyg strävar vi efter att skapa en robust modell. Denna modell kommer att valideras med hjälp av en oberoende uppsättning av 100 försökspersoner (25 med och 75 utan lungcancer) från den pågående SMILE-screeningstudien. Om den lyckas är vår vision att prospektivt implementera denna panel i kliniska sammanhang där den visar sig vara fördelaktig. Vårt uppdrag är att minska lungcancerdödligheten, optimera screeninginterventioner med nya, icke-invasiva verktyg för alla högriskindivider samtidigt som kostnaderna och strålningsexponeringsrelaterade skador minimeras.

Syfte 1 Bedömning av en immunsignaturklassificerare (ISC) på prover från perifera mononukleära blodceller (PBMC) insamlade från skärmdetekterade fasta och subsolida LDCT-lungknölar och integration av ISC med befintliga biomarkörer såsom MSC-testet och c-reaktivt protein (cRP).

Syfte 2 Utvärdering av radiologiska egenskaper och andra LDCT-markörer relaterade till andnings- och kardiovaskulära störningar.

Syfte 3 Utveckling av en riskklassificerare med hjälp av AI-verktyg baserade på kombination av blodbiomarkörer, avbildning och kliniska data för att förbättra LDCT-screeningskänslighet och positivt prediktivt värde.