هوش مصنوعی ممکن است کمک به پیش بینی پاسخ به درمان سیستمیک در بیماران با ریه سلول کوچک, سرطان

Category: وب وایر Comments: No comments

با استفاده از استاندارد-از-مراقبت از توموگرافی کامپیوتری (CT) اسکن در بیماران با پیشرفته غیر سلول کوچک, سرطان ریه (NSCLC) محققان با استفاده از هوش مصنوعی (AI) برای آموزش الگوریتم های پیش بینی تومور حساسیت به سه سیستمیک درمان سرطان با توجه به تحقیقات منتشر شده در بالينی سرطان تحقیقات یک مجله انجمن آمریکایی تحقیقات سرطان.

“رادیولوژیست’ تفسیر سی تی اسکن از بیماران مبتلا به سرطان تحت درمان با درمان سیستمیک است که ذاتا ذهنی” گفت: Laurent Dercle, MD, دکترا, کاردانی دانشمند محقق در بخش رادیولوژی در دانشگاه کلمبیا ایروینگ مرکز پزشکی. “هدف از اين مطالعه آموزش برش لبه هوش مصنوعی فن آوری به پیش بینی بيماران پاسخ به درمان اجازه می دهد رادیولوژیست برای ارائه دقیق تر و قابل تکرار پیش بینی اثربخشی درمان در مراحل اولیه این بیماری است.”

برای تعیین اینکه آیا بیماران مبتلا به NSCLC در پاسخ به سیستمیک درمان رادیولوژیست در حال حاضر کمی تغییرات در اندازه تومور و ظاهر جدید تومور ضایعات Dercle توضیح داد. این نوع ارزیابی را می توان محدود به خصوص در بیماران تحت درمان با سلول های بنیادی که می تواند صفحه نمایش غیر معمول الگوهای پاسخ و پیشرفت او اشاره کرد. “جدیدتر سیستمیک درمان سریع نیاز به جایگزین معیارهای ارزیابی پاسخ است که می تواند شکل های درمانی تصمیم گیری” Dercle گفت.

Dercle و همکاران استفاده از داده های چند فاز دوم/فاز سوم کارآزمایی های بالینی است که ارزیابی سیستمیک درمان در بيماران مبتلا به NSCLC. این بیماران تحت درمان با یکی از سه عامل است: immunotherapeutic عامل nivolumab (Opdivo) این ماده شيمی درمانی دوستاکسل (Taxotere) یا هدفمند درمانی جفتینیب (Iressa). این پژوهشگران تجزیه و تحلیل گذشته نگر استاندارد-از-مراقبت CT تصاویر از 92 بیماران دریافت nivolumab در دو دادگاه; 50 بیماران دریافت دوستاکسل در یک دادگاه; و 46 نفر از دریافت جفتینیب در یک محاکمه.

به منظور توسعه مدل, محققان با استفاده از تصاویر CT گرفته شده در ابتدا و در اولین-درمان ارزیابی (سه هفته برای بیماران تحت درمان با جفتینیب; هشت هفته برای بیماران تحت درمان با هر دو nivolumab یا دوستاکسل). تومورهای شد طبقه بندی شده به عنوان درمان-پوست حساس و یا درمان-حساس بر اساس مرجع استاندارد از هر آزمایشی (متوسط پیشرفت-رایگان بقا در nivolumab و دوستاکسل بود; تجزیه و تحلیل از فولاد نمونه زیر جفتینیب درمان). در میان هر سه گروه بیماران به صورت تصادفی به آموزش و یا گروه های اعتبار سنجی.

محققان با استفاده از یادگیری ماشین به منظور توسعه یک multivariable مدل برای پیش بینی درمان حساسیت در آموزش کوهورت. هر مدل می تواند پیش بینی نمره اعم از صفر (کمترین درمان حساسیت) به یک (کمترین درمان کوردلی) بر اساس تغییر از بزرگترین و قابل اندازه گیری ریه ضایعه شناسایی شده در پایه.

چون جفتینیب همگروهی تا به حال تعداد محدودی از بیماران محققان ساخته شده و اعتبار مدل با استفاده از یک گروه از متاستاتیک کولورکتال مبتلا به سرطان (302 نفر) تحت درمان با anti-EGFR درمان. این راديولوژيک امکانات برای پیش بینی درمان حساسیت های شناسایی شده در سرطان کولورکتال همگروه شدند و سپس مورد استفاده برای ساخت یک مدل در آموزش گروه از بیماران مبتلا به NSCLC تحت درمان با جفتینیب.

در تمام جوامع در مجموع هشت راديولوژيک امکانات استفاده شد برای ساخت این سه مدل های پیش بینی. این ویژگی ها شامل تغییرات در تومور حجم ناهمگونی و شکل و حاشیه. هر دو nivolumab و جفتینیب مدل با استفاده از چهار راديولوژيک امکانات و دوستاکسل مدل استفاده می شود.

عملکرد هر یک از امضای مورد ارزيابی قرار گرفت و با محاسبه سطح زیر منحنی (AUC) یک اندازه گیری از مدل دقت که در آن یک نمره از 1 مربوط به پیش بینی. این nivolumab, دوستاکسل و جفتینیب مدل های پیش بینی زمانی یک AUC از 0.77, 0.67 و 0.82 در اعتبار سنجی گروه بود.

“ما مشاهده شد که مشابه radiomics ویژگی های پیش بینی سه دارو پاسخ در بيماران مبتلا به NSCLC,” Dercle گفت. “بیشتر ما متوجه شدیم که همان چهار ویژگی که شناسایی EGFR درمان حساسیت برای بیماران مبتلا به متاستاز سرطان کولورکتال می تواند مورد استفاده برای پیش بینی درمان حساسیت برای بیماران مبتلا به متاستاز NSCLC.”

Dercle اشاره کرد که radiomic امضا ارائه پتانسیل برای افزایش تصميمگيری بالينی. “با هوش مصنوعی سرطان تصویربرداری می تواند حرکت از یک ذاتا ذهنی ابزار کمی و هدف دارایی برای دقت روش طب,” او گفت:.

محدودیت های این مطالعه شامل اندازه کوچک نمونه. “از آنجا که هوش مصنوعی می تواند به طور مداوم یادگیری از دنیای واقعی داده ها با استفاده از هوش مصنوعی در بزرگتر بیمار داده خواهد شد کمک به ما برای شناسایی الگوهای جدید برای ساخت دقیق تر پیش بینی مدل” اشاره کرد Dercle.

این مطالعه با پشتیبانی در بخشی از موسسه ملی بهداشت و بریستول-مایرز اسکوئیب. Dercle است که بخشی از بودجه توسط کمک های مالی از Fondation Philanthropia و Fondation Nuovo-Soldati در ژنو ، Dercle اعلام کرد هیچ تضاد منافع است.

tinyurlis.gdv.gdv.htu.nuclck.ruulvis.netshrtco.detny.im

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>