Profondo-imparando migliore di modello predice i risultati di sopravvivenza per il cancro polmonare

Riga inferiore: Un modello d'apprendimento sviluppato facendo uso delle scansioni seriali di immagine dei tumori dai pazienti con il non piccolo cancro polmonare delle cellule (NSCLC) ha predetto la risposta del trattamento e parametri clinici standard di risultati di sopravvivenza i migliori.

Giornale in cui lo studio è stato pubblicato: Ricerca sul cancro clinica, un giornale dell'Associazione per la ricerca sul cancro americana

Autore: Hugo Aerts, PhD, Direttore del laboratorio di bioinformatica e di calcolo al Dana-Farber Cancer Institute e il Brigham e l'ospedale delle donne e di un professore associato alla Harvard University.

Sfondo: “La nostra ricerca dimostra quella cheimpara i modelli che integrano le scansioni sistematiche della rappresentazione ottenute ai punti multipli di tempo può migliorare le previsioni della sopravvivenza e risultati Cancro-specifici per il cancro polmonare,„ ha detto Aerts. “Dal confronto, da un modello clinico standard contare in scena, dal genere, dall'età, dal grado del tumore, dalla prestazione, dallo stato di fumo e dalla dimensione di tumore non ha potuto predire attendibilmente la risposta biennale del trattamento o di sopravvivenza.„

Il cancro polmonare è il cancro più comune e la causa principale della morte del cancro universalmente. NSCLC rappresenta circa 85 per cento di tutti i cancri polmonari. La valutazione standard per la diagnosi e la risposta alla terapia per questi pazienti conta molto sulla misura del diametro massimo del tumore, che è suscettibile delle variazioni nell'interpretazione fra gli osservatori e col passare del tempo.

Come gli studi sono stati intrapresi: Per vedere se potessero estrarre le comprensioni più premonirici mentre i cancri si evolvono, Aerts ed i colleghi hanno sviluppato l'profondo-apprendimento dei modelli. Hanno trasferito l'apprendimento da ImageNet, una rete neurale creata dai ricercatori alla Princeton University ed alla Stanford University che identifica una vasta gamma di oggetti di ordinario dalle funzionalità più pertinenti ed hanno preparato i loro modelli facendo uso delle scansioni seriali di CT di 179 pazienti con la fase 3 NSCLC che era stata trattata con il chemoradiation. Hanno compreso fino a quattro immagini per paziente ottenuto ordinariamente prima del trattamento e ad un, tre e sei mesi dopo il trattamento per complessivamente 581 immagine.

I ricercatori hanno analizzato la capacità del modello di fare le previsioni significative di risultato del cancro con due gruppi di dati: il gruppo di dati di addestramento di 581 immagine e un gruppo di dati indipendente di convalida di 178 immagini da 89 pazienti con il non piccolo cancro polmonare delle cellule che era stato trattato con il chemoradiation e la chirurgia.

Risultati: La prestazione dei modelli migliore con l'aggiunta di ogni scansione di seguito. L'area sotto la curva, un meaure dell'accuratezza del modello, dato che sopravvivenza biennale di predizione basata sulle scansioni di pretrattamento da solo era 0,58, che è migliorato significativamente a 0,74 dopo l'aggiunta di tutte le scansioni disponibili di seguito. I pazienti classificati come avendo a basso rischio per la mortalità dal modello hanno fatti rispetto la sopravvivenza globale migliore sestuplo a quelle classificate come avendo ad alto rischio.

Rispetto al modello clinico che utilizza i parametri della fase, del genere, dell'età, del grado del tumore, della prestazione, dello stato di fumo e della dimensione di tumore clinica, il modello d'apprendimento era più efficiente nella predizione la metastasi distante, la progressione e della ricorrenza regionale locale.

Le osservazioni dell'autore: “Le scansioni della radiologia sono catturate ordinariamente dai malati di cancro del polmone durante gli esami di seguito e sono già moduli di dati digitalizzati, rendenti loro ideale per le applicazioni di intelligenza artificiale,„ ha detto Aerts. “Profondo-imparare i modelli che il cingolo cambia quantitativamente col passare del tempo in lesioni può aiutare i clinici ad adattare le pianificazioni del trattamento per i diversi pazienti ed a contribuire a stratificare i pazienti nei gruppi di rischio differenti per i test clinici.„

Limitazioni di studio: La limitazione principale di questa ricerca di prova-de-principio è che deve essere ampliata con più dati ed essere valutata nei test clinici futuri, ha detto Aerts.

Sorgente: https://www.aacr.org/