Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O AI podia aumentar a previsão da resposta do tratamento entre pacientes com câncer pulmonar não-pequeno da pilha

Os algoritmos de aprendizagem profundos treinados usando a inteligência artificial (AI) podem ajudar a determinar como os pacientes responderão aos tratamentos sistemáticos para o câncer pulmonar não-pequeno da pilha (NSCLC), de acordo com a pesquisa nova publicada na investigação do cancro clínica do jornal.

câncer pulmonar AICréditos de imagem: Zapp2Photo/Shutterstock.com

Para o estudo, o cientista Laurent Dercle da pesquisa do associado (departamento da radiologia, do centro médico de Irving da Universidade de Columbia) e o AI aplicado colegas às varreduras (SoC) do tomografia computorizada (CT) do padrão--cuidado de NSCLC avançado e dos algoritmos profundamente de aprendizagem treinados para prever como os tumores sensíveis seriam a três tipos de tratamentos sistemáticos.

Profundamente aprender é um tipo de aprendizagem de máquina onde os algoritmos chamados redes neurais artificiais aprendem dos grandes conjunto de dados e resolvem problemas em uma maneira que imite como os trabalhos de cérebro humano e sem exigir a supervisão humana.

A interpretação actual de varreduras do CT é subjetiva

Dercle diz aquele actualmente, a maneira que os radiologistas interpretam varreduras do CT dos pacientes com cancro que estão recebendo a terapia sistemática são essencialmente subjetivos.

A finalidade deste estudo era treinar tecnologias pioneiros do AI para prever as respostas dos pacientes ao tratamento, permitindo que os radiologistas entreguem umas previsões mais exactas e mais reprodutíveis da eficácia do tratamento em uma fase inicial da doença,”

Laurent Dercle, departamento da radiologia, centro médico de Irving da Universidade de Columbia

Actualmente, para verificar como os pacientes de NSCLC' respondem às terapias sistemáticas, os radiologistas avaliam diferenças no tamanho de tumores existentes e na aparência dos tumores novos que formaram.

Contudo, determinando as respostas dos pacientes' desta maneira podem ser limitadas, dizem Dercle, particularmente nos casos onde a imunoterapia foi usada porque os pacientes exibem respostas e a progressão atípicas da doença: “Umas terapias sistemáticas mais novas alertam a necessidade para o medidor alternativo para a avaliação da resposta, que pode dar forma à tomada de decisão terapêutica.”

Que o estudo envolveu?

Para seu estudo, Dercle e a equipe usaram os dados disponíveis dos ensaios clínicos da fase II/phase III que olham os pacientes de NSCLC que têm recebido uma de três terapias sistemáticas. As três terapias eram um agente da imunoterapia chamado nivolumab; um agente da quimioterapia chamou o docetaxel e um agente visado chamou o gefitinib.

Analisaram as imagens do SoC CT que tinham sido executadas para 92 participantes em duas experimentações do nivolumab, 50 participantes em uma experimentação do docetaxel e 46 participantes em uma experimentação do gefitinib.

Para criar seu modelo com carácter de previsão, Dercle e os colegas usaram as varreduras que tinham sido tomadas na linha de base e durante a avaliação inicial do tratamento, que era três semanas mais tarde para os pacientes que tinham recebido o gefitinib e oito semanas mais tarde para os pacientes que tinham recebido o nivolumab ou o docetaxel.

Os tumores foram categorizados como sensível ou insensível ao tratamento, de acordo com padrões de referência das fugas'. Para as experimentações do nivolumab e do docetaxel o padrão de referência era sobrevivência progressão-livre do número médio e para a experimentação do gefitinib era avaliação do cargo-tratamento de amostras cirúrgicas.

Para todas as três populações do estudo, os participantes foram atribuídos aleatòria a um treinamento ou a um grupo da validação.  

Aplicando a aprendizagem de máquina às imagens do CT, a equipe construiu um modelo multivariable para prever a sensibilidade dos tumores entre pacientes no grupo de formação. A sensibilidade prevista foi marcada de “zero,” que representou a maioria de sensibilidade… a “uma,” que representou a maioria de insensibilidade. A sensibilidade do tratamento do tumor foi definida com base nas diferenças observadas no tumor o maior do pulmão medido na linha de base.

Identificando características com carácter de previsão

Desde que a população do estudo na experimentação do gefitinib era pequena, Dercle e os colegas desenvolveram e validaram um modelo usando características radiológicas dos tumores entre 302 pacientes com cancro colorectal metastático que tinha recebido a anti-EGFR terapia. As características identificadas como com carácter de previsão da sensibilidade do tratamento entre as pacientes que sofre de cancro colorectal foram usadas então para desenvolver um modelo no grupo de formação de pacientes de NSCLC que tinham recebido o gefitinib.

Através de todos os grupos de estudo, oito características radiológicas do tumor foram usadas para construir modelos da previsão para as três terapias sistemáticas. Os exemplos das características eram diferenças no volume, na margem e na forma dos tumores. Os modelos para o nivolumab e o gefitinib cada um usaram quatro das oito características e o modelo para o docetaxel usou uma característica.

Que o estudo encontrou?

O desempenho de cada modelo foi avaliado calculando uma medida da precisão chamada “área sob a curva” (AUC), onde uma contagem de uma representa a precisão com carácter de previsão perfeita.  Nos grupos da validação, as contagens de AUC para os modelos eram 0,77 para o nivolumab; 0,67 para o docetaxel e 0,82 para o gefitinib.

“Nós observamos que as características similares do radiomics previram três respostas diferentes da droga nos pacientes com NSCLC,” dizemos Dercle. “Mais, nós encontramos que as mesmas quatro características que identificaram a sensibilidade do tratamento de EGFR para pacientes com cancro colorectal metastático poderiam ser utilizadas para prever a sensibilidade do tratamento para pacientes com NSCLC metastático.”

As implicações dos resultados

Dercle adiciona que a avaliação de assinaturas radiomic pode potencial melhorar a tomada de decisão clínica que diz aquela usando o AI, o “cancro que a imagem lactente pode se mover de uma ferramenta inerente subjetiva para um recurso quantitativo e objetivo para aproximações da medicina da precisão.”

A equipe reconhece que o tamanho da população do estudo era pequeno, mas Dercle diz aquele “porque o AI pode continuamente aprender dos dados do real-mundo, usando o AI em conjunto de dados pacientes maiores ajudar-nos-á a identificar testes padrões novos para construir uns modelos mais exactos da previsão.”

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). O AI podia aumentar a previsão da resposta do tratamento entre pacientes com câncer pulmonar não-pequeno da pilha. News-Medical. Retrieved on December 04, 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. "O AI podia aumentar a previsão da resposta do tratamento entre pacientes com câncer pulmonar não-pequeno da pilha". News-Medical. 04 December 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. "O AI podia aumentar a previsão da resposta do tratamento entre pacientes com câncer pulmonar não-pequeno da pilha". 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 December 04, 2020).

  • Harvard

    Robertson, Sally. 2020. O AI podia aumentar a previsão da resposta do tratamento entre pacientes com câncer pulmonar não-pequeno da pilha. News-Medical, viewed 04 December 2020, https://www.news-medical.net/news/20200323/AI-could-enhance-prediction-of-treatment-response-among-patients-with-non-small-cell-lung-cancer.aspx.