Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

L'AI a pu améliorer la prévision de la réponse au traitement parmi des patients présentant le non-petit cancer de poumon de cellules

Les algorithmes apprenants profonds qualifiés utilisant l'artificial intelligence (AI) peuvent aider à déterminer comment les patients réagiront aux demandes de règlement systémiques pour le non-petit cancer de poumon de cellules (NSCLC), selon la recherche neuve publiée dans la cancérologie clinique de tourillon.

cancer de poumon AICrédits d'image : Zapp2Photo/Shutterstock.com

Pour l'étude, le scientifique Laurent Dercle (service de radiologie, centre médical de recherches d'associé d'Irving d'Université de Columbia) et les collègues AI appliquée aux échographies (SoC) de tomodensitométrie (CT) de niveau de soins de NSCLC avancé et d'algorithmes apprenants profondément qualifiés pour prévoir à quel point les tumeurs sensibles seraient à trois types de demandes de règlement systémiques.

Apprendre profondément est un type d'apprentissage automatique où les réseaux neuronaux artificiels appelés d'algorithmes apprennent de grands ensembles de données et résolvent des problèmes d'une manière dont imite comment les travaux d'esprit humain et sans exiger la supervision humaine.

L'évaluation actuelle des échographies de CT est subjective

Dercle dit cela actuel, la voie que les radiologues interprètent des échographies de CT des patients présentant le cancer qui reçoivent le traitement systémique sont essentiellement subjectifs.

Le but de cette étude était de former des technologies tranchantes d'AI pour prévoir les réactions des patients à la demande de règlement, permettant à des radiologues de fournir des prévisions plus précises et plus reproductibles d'efficacité de demande de règlement à un stade précoce de la maladie, »

Laurent Dercle, service de radiologie, centre médical d'Irving d'Université de Columbia

Actuel, pour vérifier comment les patients de NSCLC' répondent aux traitements systémiques, les radiologues évaluent des différences dans la taille des tumeurs existantes et dans l'apparence des tumeurs neuves qui ont formés.

Cependant, réactions déterminant patients les' de cette façon peuvent être limitées, dit Dercle, en particulier dans les cas où l'immunothérapie a été employée parce que les patients montrent des réactions atypiques et la progression de la maladie : « Des traitements systémiques plus neufs incitent le besoin de métrique alternative pour l'évaluation de réaction, qui peut former la prise de décision thérapeutique. »

Que l'étude a-t-elle concerné ?

Pour leur étude, Dercle et équipe ont employé des caractéristiques fournies par des tests cliniques de la phase II/phase III regardant les patients de NSCLC qui avaient reçu un de trois traitements systémiques. Les trois traitements étaient un nivolumab appelé d'agent d'immunothérapie ; un docetaxel appelé de substance chimiothérapeutique et un gefitinib appelé visé d'agent.

Ils ont analysé les images de SoC CT qui avaient été exécutées pour 92 participants dans deux essais de nivolumab, 50 participants à un essai de docetaxel et 46 participants à un essai de gefitinib.

Pour produire leur modèle prévisionnel, Dercle et collègues ont employé les échographies qui avaient été prises à la ligne zéro et pendant l'évaluation de traitement initial, qui était trois semaines plus tard pour les patients qui avaient reçu le gefitinib et huit semaines plus tard pour les patients qui avaient reçu le nivolumab ou le docetaxel.

Des tumeurs ont été classées par catégorie en tant que sensible ou peu sensible à la demande de règlement, normes selon journaux des'. Pour les essais de nivolumab et de docetaxel la norme était survie progressive étape médiane et pour l'essai de gefitinib c'était l'évaluation après traitement des échantillons chirurgicaux.

Pour chacune des trois populations de l'étude, des participants ont été fait au hasard affectés à une formation ou à un groupe de validation.  

En s'appliquant l'apprentissage automatique aux images de CT, l'équipe a établi un modèle multivariable pour prévoir la sensibilité des tumeurs parmi des patients dans le groupe s'exerçant. La sensibilité prévue a été rayée de « zéro, » qui a représenté la plupart de sensibilité… à « une, » qui a représenté la plupart d'insensibilité. La sensibilité de demande de règlement de tumeur a été définie a basé sur des différences observées dans la plus grande tumeur de poumon mesurée à la ligne zéro.

Recensement des caractéristiques prévisionnelles

Puisque la population de l'étude dans l'essai de gefitinib était petite, Dercle et collègues ont développé et ont validé un modèle utilisant les caractéristiques radiologiques des tumeurs parmi 302 patients présentant le cancer colorectal métastatique qui avait reçu l'anti-EGFR traitement. Les caractéristiques recensées comme prévisionnelles de la sensibilité de demande de règlement parmi les patients de cancer colorectal ont été alors employées pour développer un modèle dans le groupe s'exerçant de patients de NSCLC qui avaient reçu le gefitinib.

En travers de tous les groupes de travail, huit caractéristiques radiologiques de tumeur ont été employées pour établir des modèles de prévision pour les trois traitements systémiques. Les exemples des caractéristiques étaient des différences en volume, mettent en marge et forme des tumeurs. Les modèles pour le nivolumab et le gefitinib chacun ont employé quatre des huit caractéristiques et le modèle pour le docetaxel a employé une caractéristique.

Que l'étude a-t-elle trouvé ?

Le rendement de chaque modèle a été évalué en prévoyant endroit appelé de mesure d'exactitude un « sous la courbure » (AUC), où une rayure d'une représente l'exactitude prévisionnelle parfaite.  Dans les groupes de validation, les rayures d'AUC pour les modèles étaient 0,77 pour le nivolumab ; 0,67 pour le docetaxel et 0,82 pour le gefitinib.

« Nous avons observé que les caractéristiques assimilées de radiomics ont prévu trois réactions au traitement différentes dans les patients avec NSCLC, » dit Dercle. « De plus, nous avons constaté que les mêmes quatre caractéristiques qui ont recensé la sensibilité de demande de règlement d'EGFR pour des patients présentant le cancer colorectal métastatique pourraient être utilisées pour prévoir la sensibilité de demande de règlement pour des patients avec NSCLC métastatique. »

Les implications des découvertes

Dercle ajoute que le bilan des signatures radiomic peut potentiellement améliorer la prise de décision clinique indiquant cela à l'aide de l'AI, le « cancer que la représentation peut déménager d'un outil par nature subjectif à des moyens quantitatifs et objectifs pour des approches de médicament de précision. »

L'équipe reconnaît que la taille de population de l'étude était petite, mais Dercle dit cela « parce que l'AI peut continuement apprendre des caractéristiques du monde réel, utilisant l'AI sur de plus grands ensembles de données patients nous aidera à recenser les configurations neuves pour établir des modèles plus précis de prévision. »

Source:

AI may help predict responses to non-small cell lung cancer systemic therapies. EurekALert! 2020. Available at: https://www.eurekalert.org/pub_releases/2020-03/aafc-amh031820.php

Journal reference:

Artificial Intelligence May Help Predict Responses to Systemic Therapies in Patients With Non-small Cell Lung Cancer. AACR 2020. Available at: https://www.aacr.org/about-the-aacr/newsroom/news-releases/artificial-intelligence-may-help-predict-responses-to-systemic-therapies-in-patients-with-non-small-cell-lung-cancer/

Sally Robertson

Written by

Sally Robertson

Sally has a Bachelor's Degree in Biomedical Sciences (B.Sc.). She is a specialist in reviewing and summarising the latest findings across all areas of medicine covered in major, high-impact, world-leading international medical journals, international press conferences and bulletins from governmental agencies and regulatory bodies. At News-Medical, Sally generates daily news features, life science articles and interview coverage.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Robertson, Sally. (2020, March 23). L'AI a pu améliorer la prévision de la réponse au traitement parmi des patients présentant le non-petit cancer de poumon de cellules. News-Medical. Retrieved on November 24, 2020 from https://www.news-medical.net/news/20200323/AI-could-enhance-prediction-of-treatment-response-among-patients-with-non-small-cell-lung-cancer.aspx.

  • MLA

    Robertson, Sally. "L'AI a pu améliorer la prévision de la réponse au traitement parmi des patients présentant le non-petit cancer de poumon de cellules". News-Medical. 24 November 2020. <https://www.news-medical.net/news/20200323/AI-could-enhance-prediction-of-treatment-response-among-patients-with-non-small-cell-lung-cancer.aspx>.

  • Chicago

    Robertson, Sally. "L'AI a pu améliorer la prévision de la réponse au traitement parmi des patients présentant le non-petit cancer de poumon de cellules". News-Medical. https://www.news-medical.net/news/20200323/AI-could-enhance-prediction-of-treatment-response-among-patients-with-non-small-cell-lung-cancer.aspx. (accessed November 24, 2020).

  • Harvard

    Robertson, Sally. 2020. L'AI a pu améliorer la prévision de la réponse au traitement parmi des patients présentant le non-petit cancer de poumon de cellules. News-Medical, viewed 24 November 2020, https://www.news-medical.net/news/20200323/AI-could-enhance-prediction-of-treatment-response-among-patients-with-non-small-cell-lung-cancer.aspx.