Profundo-aprendendo melhor modelo prevê resultados da sobrevivência para o câncer pulmonar

Ganhos líquidos: Um modelo deaprendizagem desenvolvido usando varreduras de série da imagem dos tumores dos pacientes com câncer pulmonar não-pequeno da pilha (NSCLC) previu a resposta do tratamento e parâmetros clínicos do que padrão dos resultados da sobrevivência melhores.

Jornal em que o estudo foi publicado: Investigação do cancro clínica, um jornal da associação americana para a investigação do cancro

Autor: Hugo Aerts, PhD, director do laboratório computacional e da bioinformática no Dana-Farber Cancer Institute e o Brigham e o hospital das mulheres, e de um professor adjunto na Universidade de Harvard.

Fundo: “Nossa pesquisa demonstra aquela queaprende os modelos que integram as varreduras rotineiras da imagem lactente obtidas em pontos múltiplos do tempo pode melhorar previsões da sobrevivência e resultados cancro-específicos para o câncer pulmonar,” disse Aerts. “Pela comparação, por um modelo clínico padrão confiar na fase, pelo género, pela idade, pela categoria do tumor, pelo desempenho, pelo estado de fumo, e pelo tamanho de tumor não podia confiantemente prever a resposta bienal da sobrevivência ou do tratamento.”

O câncer pulmonar é o cancro o mais comum e a causa principal da morte do cancro no mundo inteiro. NSCLC esclarece aproximadamente 85 por cento de todos os câncers pulmonares. A avaliação padrão para o diagnóstico e a resposta à terapia para estes pacientes confia pesadamente na medida do diâmetro máximo do tumor, que é suscetível às variações na interpretação entre observadores e ao longo do tempo.

Como o estudo foi conduzido: Para ver se poderia extrair umas introspecções mais com carácter de previsão enquanto os cancros evoluem, Aerts e os colegas construíram a profundo-aprendizagem de modelos. Transferiram a aprendizagem de ImageNet, uma rede neural criada por pesquisadores na Universidade de Princeton e na Universidade de Stanford que identifica uma vasta gama de objetos ordinários das características as mais relevantes, e treinaram seus modelos usando varreduras de série do CT de 179 pacientes com fase 3 NSCLC que tinha sido tratada com o chemoradiation. Incluíram até quatro imagens pelo paciente obtido rotineiramente antes do tratamento e em um, três, e seis meses após o tratamento para um total de 581 imagens.

Os investigador analisaram a capacidade do modelo para fazer previsões significativas do resultado do cancro com dois conjunto de dados: o conjunto de dados do treinamento de 581 imagens e um conjunto de dados independente da validação de 178 imagens de 89 pacientes com câncer pulmonar não-pequeno da pilha que tinha sido tratado com o chemoradiation e a cirurgia.

Resultados: O desempenho dos modelos melhorado com a adição de cada varredura da continuação. A área sob a curva, um meaure da precisão do modelo, porque sobrevivência bienal de predição baseada em varreduras do pré-tratamento apenas era 0,58, que melhorou significativamente a 0,74 após ter adicionado todas as varreduras disponíveis da continuação. Os pacientes classificados como tendo de baixo-risco para a mortalidade pelo modelo tiveram a sobrevivência total melhorada sêxtupla comparada com as aquelas classificadas como tendo o risco elevado.

Comparado com o modelo clínico que utiliza parâmetros da fase, do género, da idade, da categoria do tumor, do desempenho, do estado de fumo, e do tamanho de tumor clínico, o modelo deaprendizagem era mais eficiente em prever a metástase distante, a progressão, e o retorno regional local.

Os comentários do autor: Da “as varreduras radiologia são capturadas rotineiramente das pacientes que sofre de cancro do pulmão durante exames da continuação e são já formulários de dados digitados, fazendo lhes o ideal para aplicações da inteligência artificial,” disse Aerts. “Profundo-aprender os modelos que quantitativa a trilha muda nas lesões ao longo do tempo pode ajudar clínicos a costurar planos do tratamento para pacientes individuais e a ajudá-los a estratificar pacientes em grupos de risco diferentes para ensaios clínicos.”

Limitações do estudo: A limitação principal desta pesquisa do prova--princípio é que precisa de ser expandida com mais dados e de ser avaliada em ensaios clínicos em perspectiva, disse Aerts.

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