Utvecklingen, säkerheten och genomförbarheten av en artificiell intelligensdriven plattform (NodeAI) för realtidsförutsägelse av mediastinal lymfkörtelmalignitet under endobronkial ultraljudsstadieindelning för lungcancer (NodeAI)

Lungcancer är den vanligaste orsaken till årliga cancerdödsfall globalt, mer än bröst-, prostatacancer och tjocktarmscancer tillsammans. Stadieindelningen av bröstlymfkörtlar (LNs) är ett avgörande steg i den diagnostiska vägen för lungcancer eftersom det hjälper till vid behandlingsbeslut - oavsett om en patient är en kandidat för lungresektion, kemoterapi, strålning eller multimodala behandlingar. Endobronchial Ultrasound Transbronchial Needle Aspiration (EBUS-TBNA) är den nuvarande standarden för bröstknutstadieindelning för icke-småcellig lungcancer (NSCLC), och riktlinjer kräver att systematisk provtagning (SS) av minst 3 bröst-LN-stationer rutinmässigt utförs för noggrann iscensättning. Tyvärr ger EBUS-TBNA felaktiga resultat hos 40 % av patienterna, vilket leder till felaktiga behandlingsbeslut. Denna andel är mycket högre hos patienter med trippelnormala LNs [LNs som verkar normala vid datortomografi (CT), positronemissionstomografi (PET) och EBUS], som har visat sig ha en > 93 % chans att vara verkligt godartad. Detta beror på att EBUS-TBNA är baserad på ultraljud, vars framgång i hög grad beror på skickligheten hos personen som utför det (operatören). När operatören gör ett fel äventyras hela proceduren. Detta orsakar nedströms förseningar i behandlingen på grund av upprepade tester och dåligt informerade behandlingsbeslut.

Under det senaste decenniet har utredaren genomfört en serie forskningsstudier och prövningar: utvecklingen och valideringen av Canadas lymfkörtelpoäng (CLNS) - ett semi-kvantitativt mått på LN-malignitet som härrör från kirurgen; en artificiell intelligens (AI)-baserad version av CLNS för att förutsäga malignitet; och en helt autonom AI som lärde sig att förutsäga malignitet direkt från ultraljudsbilder, för att introducera AI till beslutsvägen i NSCLC. Detta resulterade i skapandet av en AI-driven programvara för att förutsäga malignitet i mediastinala LN hos patienter med lungcancer. Mjukvaran är för närvarande inrymd i molnlagring och dess applikationer är latenta - vilket innebär att LN-bilder måste laddas upp till programvaran, och resultat tas emot vid en framtida tidpunkt. I sin nuvarande form är programvaran inte redo för klinisk tillämpning på grund av denna latens. I det här projektet syftar utredaren till att bygga en point-of-care-enhet som kommer att inrymma programvaran (NodeAI) och leverera realtidsresultat till kirurgen, och denna enhet kommer att testas i en klinisk prövning.