Profond-apprenant meilleur modèle prévoit des résultats de survie pour le cancer de poumon

Ligne inférieure : Un modèle profond-apprenant développé utilisant des échographies séquentielles d'image des tumeurs des patients présentant le non-petit cancer de poumon de cellules (NSCLC) a prévu paramètres cliniques que normaux de résultats de réponse au traitement et de survie de meilleurs.

Tourillon en lequel l'étude était publiée : Cancérologie clinique, un tourillon de l'association américaine pour la cancérologie

Auteur : Hugo Aerts, PhD, directeur du laboratoire de calcul et de bio-informatique au Dana-Farber Cancer Institute et le Brigham et l'hôpital des femmes, et d'un professeur agrégé à l'Université de Harvard.

Mouvement propre : « Notre recherche explique cela profond-qui apprend des modèles intégrant des échographies courantes de représentation obtenues aux remarques multiples de temps peut améliorer des prévisions de la survie et des résultats de cancer-détail pour le cancer de poumon, » a dit Aerts. « Par comparaison, un modèle clinique normal compter sur l'étape, genre, âge, grade tumoral, rendement, état de fumage, et taille de la tumeur n'a pas pu sûrement prévoir la survie ou la réponse au traitement biennale. »

Le cancer de poumon est le cancer le plus courant et la principale cause de décès par cancer mondiaux. NSCLC représente environ 85 pour cent de tous les cancers de poumon. L'évaluation normale pour le diagnostic et la réaction au traitement pour ces patients se fonde fortement sur la mesure du diamètre maximum de tumeur, qui est susceptible des variations d'évaluation entre les observateurs et au fil du temps.

Comment l'étude a été entreprise : Pour voir s'ils pourraient extraire des analyses plus prévisionnelles pendant que les cancers évoluent, Aerts et collègues ont établi profond-apprendre des modèles. Ils ont transféré apprendre à partir d'ImageNet, un réseau neuronal produit par des chercheurs à l'Université de Princeton et à l'Université de Stanford qui recense un large éventail d'objectifs d'ordinaire des caractéristiques les plus appropriées, et ont formé leurs modèles utilisant des échographies séquentielles de CT de 179 patients présentant l'étape 3 NSCLC qui avait été traitée avec le chemoradiation. Ils ont inclus jusqu'à quatre images selon le patient obtenu par habitude avant demande de règlement et à un, trois, et six mois après demande de règlement pour un total de 581 images.

Les chercheurs ont analysé la capacité du modèle d'effectuer des prévisions significatives de résultats de cancer avec deux ensembles de données : l'ensemble de données de formation de 581 images et un ensemble de données indépendant de validation de 178 images de 89 patients présentant le non-petit cancer de poumon de cellules qui avait été traité avec le chemoradiation et la chirurgie.

Résultats : Le rendement des modèles amélioré en plus de chaque échographie complémentaire. L'endroit sous la courbure, un meaure de l'exactitude du modèle, parce que survie biennale de prévision basée sur seules des échographies de traitement préparatoire était 0,58, qui s'est amélioré de manière significative à 0,74 après avoir ajouté toutes les échographies complémentaires procurables. Les patients classés en tant qu'ayant à faible risque pour la mortalité par le modèle ont eu la survie générale améliorée sextuple avec ceux classées en tant qu'ayant le haut risque.

Avec le modèle clinique qui utilise des paramètres d'étape, de genre, d'âge, de grade tumoral, de rendement, d'état de fumage, et de taille de la tumeur clinique, le modèle profond-apprenant était plus efficace dans la métastase à distance de prévision, l'étape progressive, et la récidive régionale locale.

Les commentaires de l'auteur : Des « échographies de radiologie sont captées par habitude des malades du cancer de poumon au cours des inspections complémentaires et sont déjà les formes de caractéristiques chiffrées, leur effectuant l'idéal pour des applications d'artificial intelligence, » a dit Aerts. « Profond-apprendre les modèles que quantitativement la piste change dans les lésions au fil du temps peut aider des cliniciens à régler des plans de traitement pour différents patients et à aider à stratifier des patients dans différents groupes à risque pour des tests cliniques. »

Limitations d'étude : La limitation principale de cette recherche d'épreuve-de-principe est qu'elle doit être augmentée avec plus de caractéristiques et être évaluée dans des tests cliniques estimatifs, a dit Aerts.

Source : https://www.aacr.org/