图像挖掘和 ctDNA 应用人工智能改善 NSCLC 的风险分层和结果预测。

我们的中心假设是，独特的图像衍生和遗传特征与疾病阶段和患者结果一致。 因此，它们是疾病负担和复发的生物标志物，可以进行非侵入性评估。 通过人工智能方法将来自医学成像和循环游离肿瘤 DNA (ctDNA) 的数据相结合，可以提供准确的分期和结果预测。 这一假设是基于以下证据提出的：医学图像能够提供反映肿瘤特征的有意义的数据，使用全身和整个病变评估，非侵入性地捕获内在的肿瘤异质性。 事实上，近年来，人们已经探索了使用放射组学、机器学习或组合（图像挖掘）对医学成像进行高级分析。 通过纹理特征提取和卷积神经网络应用，图像衍生的生物标志物已经过测试，可提供“表型”信息（恶性与良性、组织型识别以及 T 或 N 分期）。 此外，图像衍生的定量特征与组织基因表达模式之间的相关性已经显示出来，将成像表型与基因型联系起来，这也在我们的初步数据中得到了证明。 其次，正如我们之前的工作所示，图像挖掘方法已被提出来在基线评估时提供预后信息。 尽管如此，具有稳健方法论的前瞻性研究仍然很少发表。 另一方面，对从肺癌患者血浆中分离出的循环无细胞肿瘤 DNA (ctDNA) 进行分析已被提议作为评估不同阶段疾病的替代方法。 特别是在诊断时、术后残留疾病检测、转移环境中突变的识别以指导治疗和监测治疗反应。 即使在所有阶段的 NSCLC 患者中都检测到了 ctDNA，其水平随阶段的增加而增加，但尚未出于分期的目的探索 ctDNA 信息。 在肿瘤发展或复发的早期阶段检测到肿瘤的可能性必须面对疾病负担最小的患者中 cfDNA 含量低的问题。 此外，尤其是老年人中存在的超生理 ctDNA 背景会影响特异性。 在这方面，研究人员期望不同生物标志物的组合能够解决这个问题。人工智能分析在医疗保健应用中越来越多地被描述。 近年来，监督、半监督和无监督机器学习方法已被应用于分析基因组、蛋白质组、临床数据和放射学特征。 深度学习方法为多维数据的综合分析提供了机会，以改善预后预测。 该项目的基本原理是，一旦知道哪些成像特征和 ctDNA 衍生信息与肿瘤分期和术后复发风险相关，所开发的算法将成为分期和随访的有效且创新的方法受肺癌影响的患者的情况，对临床实践决策的影响。