Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

Il AI ha potuto migliorare la previsione della risposta del trattamento fra i pazienti con il non piccolo cancro polmonare delle cellule

Gli algoritmi di apprendimento profondi preparati facendo uso di intelligenza artificiale (AI) possono contribuire a determinare come i pazienti reagiranno ai trattamenti sistemici per il non piccolo cancro polmonare delle cellule (NSCLC), secondo la nuova ricerca pubblicata nella ricerca sul cancro clinica del giornale.

cancro polmonare AICrediti di immagine: Zapp2Photo/Shutterstock.com

Per lo studio, il ricercatore del socio Laurent Dercle (dipartimento di radiologia, del centro medico di Irving di Columbia University) e le scansioni applicate di tomografia computerizzata di standard-de-cura di AI (SoC) dei colleghi (CT) di NSCLC avanzato e degli algoritmi in profondità di apprendimento preparati per predire come i tumori sensibili sarebbero a tre tipi di trattamenti sistemici.

In profondità imparare è un tipo di apprendimento automatico dove gli algoritmi chiamati le reti neurali artificiali imparano dai grandi gruppi di dati e risolvono i problemi in un modo che imita come gli impianti di cervello umano e senza richiedere il controllo umano.

L'interpretazione corrente delle scansioni di CT è soggettiva

Dercle dice corrente quello, il modo che i radiologi interpretano le scansioni di CT dei pazienti con cancro che stanno ricevendo la terapia sistematica sono essenzialmente soggettivi.

Lo scopo di questo studio era di preparare le tecnologie di avanguardia di AI per predire le risposte dei pazienti al trattamento, permettendo che i radiologi consegnino le previsioni più accurate e più riproducibili di efficacia del trattamento ad una fase iniziale della malattia,„

Laurent Dercle, dipartimento di radiologia, centro medico di Irving di Columbia University

Corrente, controllare come i pazienti di NSCLC' rispondono alle terapie sistematiche, i radiologi valutano le differenze nella dimensione dei tumori attuali e nell'aspetto di nuovi tumori che si sono formati.

Tuttavia, determinando le risposte dei pazienti' in questo modo possono essere limitate, dice Dercle, specialmente nei casi in cui l'immunoterapia è stata usata perché i pazienti esibiscono le risposte e la progressione atipiche di malattia: “Le più nuove terapie sistematiche richiedono l'esigenza della metrica alternativa per la valutazione di risposta, che può modellare il processo decisionale terapeutico.„

Che cosa lo studio ha compreso?

Per il loro studio, Dercle ed il gruppo hanno usato i dati disponibili dai test clinici di fase II/phase III che esaminano i pazienti di NSCLC che stavano ricevendo una di tre terapie sistematiche. Le tre terapie erano un agente di immunoterapia chiamato nivolumab; un agente della chemioterapia ha chiamato il docetaxel e un agente mirato a ha chiamato il gefitinib.

Hanno analizzato le immagini del SoC CT che erano state eseguite per 92 partecipanti in due prove di nivolumab, 50 partecipanti ad una prova di docetaxel e 46 partecipanti ad una prova di gefitinib.

Per creare il loro modello premonitore, Dercle ed i colleghi hanno usato le scansioni che erano state catturate al riferimento e durante la valutazione iniziale del trattamento, che era più successivamente tre settimane per i pazienti che avevano ricevuto il gefitinib ed otto settimane più successivamente per i pazienti che avevano ricevuto il nivolumab o il docetaxel.

I tumori sono stati categorizzati come sensibile o insensibile al trattamento, secondo standard di riferimento delle tracce'. Per le prove del docetaxel e del nivolumab lo standard di riferimento era sopravvivenza senza progressione mediana e per la prova del gefitinib era valutazione dopo trattamento dei campioni chirurgici.

Per tutte e tre le popolazioni di studio, i partecipanti sono stati definiti a caso ad un addestramento o ad un gruppo di convalida.  

Applicando l'apprendimento automatico alle immagini di CT, il gruppo ha sviluppato un modello a più variabili per predire la sensibilità dei tumori fra i pazienti nel gruppo di formazione. La sensibilità preveduta è stata segnata “da zero,„ che ha rappresentato la maggior parte della sensibilità… “ad una,„ che ha rappresentato la maggior parte della insensibilità. La sensibilità del trattamento del tumore è stata definita in base alle differenze osservate nel più grande tumore del polmone misurato al riferimento.

Identificazione delle funzionalità premonirici

Poiché la popolazione di studio nella prova del gefitinib era piccola, Dercle ed i colleghi hanno sviluppato e convalidato un modello facendo uso delle funzionalità radiologiche dei tumori fra 302 pazienti con cancro colorettale metastatico che aveva ricevuto la terapia anti--EGFR. Le funzionalità identificate come premonirici della sensibilità del trattamento fra i malati di cancro colorettali poi sono state usate per sviluppare un modello nel gruppo di formazione di pazienti di NSCLC che avevano ricevuto il gefitinib.

Attraverso tutti i gruppi di studio, otto funzionalità radiologiche del tumore sono state usate per sviluppare i modelli di previsione per le tre terapie sistematiche. Gli esempi delle funzionalità erano differenze nel volume, nel margine e nella forma di tumori. I modelli per nivolumab e gefitinib ciascuno hanno usato quattro delle otto funzionalità ed il modello per docetaxel ha usato una funzionalità.

Che cosa lo studio ha trovato?

La prestazione di ogni modello è stata valutata calcolando una misura di accuratezza chiamata “area sotto la curva„ (AUC), dove un punteggio di uno rappresenta l'accuratezza premonitrice perfetta.  Nei gruppi di convalida, i punteggi di AUC per i modelli erano 0,77 per nivolumab; 0,67 per docetaxel e 0,82 per gefitinib.

“Abbiamo osservato che le simili funzionalità di radiomics hanno predetto tre risposte differenti della droga in pazienti con NSCLC,„ diciamo Dercle. “Più ulteriormente, abbiamo trovato che le stesse quattro funzionalità che hanno identificato la sensibilità del trattamento di EGFR per i pazienti con cancro colorettale metastatico potrebbero essere utilizzate per predire la sensibilità del trattamento per i pazienti con NSCLC metastatico.„

Le implicazioni dei risultati

Dercle aggiunge che la valutazione delle impronte radiomic può potenzialmente migliorare decisionale clinico dicendo che usando il AI, “la rappresentazione del cancro può muoversi da uno strumento inerentemente soggettivo verso un bene quantitativo ed obiettivo per gli approcci della medicina di precisione.„

Il gruppo riconosce che la dimensione della popolazione di studio era piccola, ma Dercle dice quello “perché il AI può imparare continuamente dai dati nell'ambiente, facendo uso di AI sui più grandi gruppi di dati pazienti ci aiuterà ad identificare i nuovi reticoli per sviluppare i modelli più accurati di previsione.„

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). Il AI ha potuto migliorare la previsione della risposta del trattamento fra i pazienti con il non piccolo cancro polmonare delle cellule. News-Medical. Retrieved on November 28, 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. "Il AI ha potuto migliorare la previsione della risposta del trattamento fra i pazienti con il non piccolo cancro polmonare delle cellule". News-Medical. 28 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. "Il AI ha potuto migliorare la previsione della risposta del trattamento fra i pazienti con il non piccolo cancro polmonare delle cellule". 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 28, 2020).

  • Harvard

    Robertson, Sally. 2020. Il AI ha potuto migliorare la previsione della risposta del trattamento fra i pazienti con il non piccolo cancro polmonare delle cellule. News-Medical, viewed 28 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.