Profundo-aprendiendo mejor modelo predice los resultados de la supervivencia para el cáncer de pulmón

Fondo: Un modelo de profundo-aprendizaje desarrollado usando exploraciones seriales de la imagen de tumores de pacientes con el no-pequeño cáncer de pulmón de la célula (NSCLC) predijo la reacción del tratamiento y parámetros clínicos que estándar de los resultados de la supervivencia mejores.

Gorrón en el cual el estudio fue publicado: Investigación de cáncer clínica, un gorrón de la asociación americana para la investigación de cáncer

Autor: Hugo Aerts, doctorado, director del laboratorio de cómputo y de la bioinformática en el Dana-Farber Cancer Institute y el Brigham y el hospital de las mujeres, y de un profesor adjunto en la Universidad de Harvard.

Antecedentes: “Nuestra investigación demuestra eso profundo-que aprende los modelos que integran las exploraciones rutinarias de la proyección de imagen obtenidas en los puntos múltiples del tiempo puede perfeccionar predicciones de la supervivencia y los resultados cáncer-específicos para el cáncer de pulmón,” dijo a Aerts. “Por la comparación, un modelo clínico estándar la confianza en escenario, género, edad, la pendiente del tumor, el funcionamiento, el estado que fumaba, y la talla de tumor no podía predecir seguro la reacción de dos años de la supervivencia o del tratamiento.”

El cáncer de pulmón es el cáncer más común y la causa de cabeza de la muerte del cáncer por todo el mundo. NSCLC explica el cerca de 85 por ciento de todos los cánceres de pulmón. La evaluación estándar para la diagnosis y la reacción a la terapia para estos pacientes confía pesado en la medición del diámetro máximo del tumor, que es susceptible a las variaciones en la interpretación entre los observadores y en un cierto plazo.

Cómo el estudio conducto: Para ver si podrían extraer discernimientos más proféticos mientras que los cánceres se desarrollan, Aerts y los colegas construyeron el profundo-aprendizaje de modelos. Transfirieron el aprendizaje de ImageNet, una red neuronal creada por los investigadores en la Universidad de Princeton y la Universidad de Stanford que determina una amplia gama de objetos del ordinario de las características más relevantes, y entrenaron a sus modelos usando exploraciones seriales del CT de 179 pacientes con el escenario 3 NSCLC que había sido tratado con el chemoradiation. Incluyeron hasta cuatro imágenes por el paciente obtenido rutinario antes del tratamiento y en un, tres, y seis meses después del tratamiento para un total de 581 imágenes.

Los investigadores analizaban la capacidad del modelo de hacer predicciones importantes del resultado del cáncer con dos grupos de datos: el grupo de datos del entrenamiento de 581 imágenes y un grupo de datos independiente de la validación de 178 imágenes a partir de 89 pacientes con el no-pequeño cáncer de pulmón de la célula que había sido tratado con el chemoradiation y la cirugía.

Resultados: El funcionamiento de los modelos perfeccionado con la adición de cada exploración de la continuación. El área bajo la curva, un meaure de la exactitud del modelo, porque supervivencia de dos años que predecía basada en exploraciones del tratamiento previo solamente era 0,58, que perfeccionó importante a 0,74 después de agregar todas las exploraciones disponibles de la continuación. Los pacientes clasificados como teniendo poco arriesgado para la mortalidad por el modelo hicieron la supervivencia total perfeccionada multiplicada por seis comparar con ésas clasificadas como teniendo de alto riesgo.

Comparado con el modelo clínico que utiliza parámetros del escenario, del género, de la edad, de la pendiente del tumor, del funcionamiento, del estado que fuma, y de la talla de tumor clínica, el modelo de profundo-aprendizaje era más eficiente en predecir la metástasis distante, la progresión, y la repetición regional local.

Los comentarios del autor: Las “exploraciones de la radiología se capturan rutinario de enfermos de cáncer del pulmón durante exámenes de la continuación y son ya formas de datos digitales, haciéndoles el ideal para los usos de la inteligencia artificial,” dijo a Aerts. el “Profundo-aprendizaje de los modelos que el carril cambia cuantitativo en lesiones en un cierto plazo puede ayudar a clínicos a adaptar los planes del tratamiento para los pacientes individuales y a ayudar a estratificar a pacientes en diversos grupos de riesgo para las juicios clínicas.”

Limitaciones del estudio: La limitación principal de esta investigación del prueba-de-principio es que necesita ser desplegada con más datos y ser evaluada en juicios clínicas anticipadas, dijo a Aerts.

Fuente: https://www.aacr.org/