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 recense des configurations sur les échographies de CT qui offrent la promesse neuve pour traiter le cancer de poumon de petite cellule

Les chercheurs au centre pour la représentation de calcul et la diagnose personnalisée (CCIPD) à l'université occidentale de réserve de cas ont employé l'artificial intelligence (AI) de recenser des configurations sur les échographies (CT) de tomodensitométrie qui offrent la promesse neuve pour soigner des patients avec le cancer de poumon de petite cellule.

Le cancer de poumon de petite cellule (SCLC) représente environ 13% de tous les cancers de poumon, mais se développe plus rapide et est pour écarter que le non-petit cancer de poumon de cellules, selon l'Association du cancer américaine.

Et tandis que beaucoup de recherche d'AI a été exécutée sur le non-petit cancer de poumon de cellules, peu de travail a été effectué sur SCLC, a dit directeur Anant Madabhushi, professeur de CCIPD d'institut de Donnell de génie biomédical à la réserve occidentale de cas.

Les malades du cancer de poumon de petite cellule peuvent être provocants pour traiter, Madabhushi a dit. Son laboratoire a fonctionné avec des oncologistes aux centres hospitaliers universitaires à Cleveland pour aider à s'assurer quels patients de SCLC réagiraient à la demande de règlement.

Les chercheurs ont recensé un ensemble de configurations radiomic des échographies de CT prises avant demande de règlement qui leur permettent de prévoir la réaction à la chimiothérapie d'un patient. Ils ont également examiné l'association entre les caractéristiques AI-dérivées d'image avec des résultats plus à long terme.

Particulièrement, les chercheurs ont noté que les configurations de texture de calcul extraites de la tumeur elle-même ; aussi bien que la région l'entourant ; se sont avérés différent dans les patients de SCLC qui ont bien répondu à une certaine chimiothérapie, comparés à ceux qui n'ont pas faite.

De plus, des configurations ont été indiquées par l'AI qui a correspondu aux patients qui ont fini vers le haut de vivre plus longtemps après la demande de règlement comparée à ceux qui n'a pas fait.

En conclusion, l'AI a indiqué qu'il y avait notamment plus d'hétérogénéité, ou variabilité, dans les images scannées des patients qui n'ont pas répondu au chimio et ont eu des chances de survie plus faibles, Madabhushi a dit.

Ce qui est prochain : essais humains possibles

Ces découvertes d'une étude rétrospective prépare maintenant le terrain pour des tests cliniques pilotés par AI estimatifs pour le management de demande de règlement des patients de SCLC, Madabhushi a dit.

Les résultats de la recherche étaient publiés dans les frontières en oncologie en octobre.

Leurs découvertes sont significatives parce que la chimiothérapie demeure le réseau général de la demande de règlement systémique, les chercheurs ont dit.

« Quoique la plupart des patients réagissent au traitement initial, la rechute est courante et un sous-ensemble de patients sont chimio-résistant, » a dit Prantesh Jain, auteur de Co-fil de l'étude tandis qu'avec le service de l'hématologie et oncologie aux centres hospitaliers universitaires. Il est maintenant un professeur adjoint de l'oncologie au centre de lutte contre le cancer complet de stationnement de Roswell à Buffalo.

Actuel, il n'y a aucun biomarqueur prévisionnel cliniquement validé pour sélecter une sous-population des patients présentant le chemoresistance ou la récidive précoce primaire. »

Prantesh Jain, auteur de Co-fil de l'étude

Une initiative plus grande d'AI

L'étude fait partie d'une recherche plus grande conduit à CCIPD pour se développer et appliquer le roman AI et l'apprentissage automatique s'approche pour diagnostiquer et prévoir des réactions de traitement pour différentes maladies et des signes de cancer, y compris le sein, la prostate, la tête et le col, le cerveau, côlorectal, gynécologique et cancer de la peau.

« Nos efforts sont visés réduisant des demandes de règlement chimiothérapeutiques inutiles et de ce fait réduisant la douleur de patient, » a dit le Co-fil de l'étude Mohammadhadi Khorrami auteur, un chercheur de CCIPD et le stagiaire de PhD en génie biomédical à la réserve occidentale de cas.

« En connaissant quels patients tireront bénéfice du traitement, nous ne pouvons diminuer des demandes de règlement inutiles et augmenter plus de traitement agressif dans les patients qui ont suboptimal ou aucune réaction au traitement principal. »

Source:
Journal reference:

Jain, P., et al. (2021) Novel Non-Invasive Radiomic Signature on CT Scans Predicts Response to Platinum-Based Chemotherapy and Is Prognostic of Overall Survival in Small Cell Lung Cancer. Frontiers in Oncology. doi.org/10.3389/fonc.2021.744724.