Искусственный интеллект может помочь в лечение рака легких

Используя компьютерную томографию (КТ) стандартной медицинской помощи у пациентов с запущенным немелкоклеточным раком легкого (NSCLC), исследователи использовали искусственный интеллект (AI) для обучения алгоритмов для прогнозирования чувствительности опухоли к трем системным методам лечения рака.

 
  Исследование опубликовано в журнале Американской ассоциации исследований рака, посвященном клиническим исследованиям рака, Лораном Деркл, доктором медицинских наук, младшим научным сотрудником отделения радиологии в Медицинском центре Колумбийского университета в Ирвинге.

«Интерпретация рентгенологами компьютерной томографии больных раком, получавших системную терапию, по своей сути субъективна», – сказал Деркл. «Цель этого исследования состояла в том, чтобы обучить передовые технологии ИИ прогнозировать реакцию пациентов на лечение, позволяя рентгенологам предоставлять более точные и воспроизводимые прогнозы эффективности лечения на ранней стадии заболевания».

Деркл объяснил, что для определения того, отвечают ли пациенты с НМРЛ на системную терапию, рентгенологи в настоящее время проводят количественную оценку изменений в размере опухоли и появлении новых опухолевых очагов. Тем не менее, этот тип оценки может быть ограничен, особенно у пациентов, получающих иммунотерапию, которые могут демонстрировать нетипичные паттерны ответа и прогрессирования, отметил он. «Более новые системные методы лечения вызывают потребность в альтернативных показателях для оценки реакции, которые могут формировать принятие терапевтических решений», – сказал Деркл.

Деркл и его коллеги использовали данные многочисленных клинических испытаний фазы II / фазы III , в которых оценивалось системное лечение пациентов с НМРЛ. Эти пациенты получали один из трех препаратов: иммунотерапевтический агент ниволумаб (Opdivo), химиотерапевтический агент доцетаксел (Taxotere) или целевой терапевтический гефитиниб (Iressa). Исследователи ретроспективно проанализировали стандартные КТ-изображения 92 пациентов, получавших ниволумаб, в двух испытаниях; 50 пациентов, получавших доцетаксел в одном исследовании; и 46 пациентов, получавших гефитиниб в одном исследовании.

Для разработки модели исследователи использовали компьютерную томографию, полученную в начале исследования и при первой оценке лечения (три недели для пациентов, получавших гефитиниб; восемь недель для пациентов, получавших либо ниволумаб, либо доцетаксел). Опухоли были классифицированы как чувствительные к лечению или нечувствительные к лечению на основе эталонного стандарта каждого испытания (медианная выживаемость без прогрессирования в когортах ниволумаба и доцетаксела; анализ хирургического образца после лечения гефитинибом). Среди всех трех групп пациенты были рандомизированы в группы обучения или проверки.

Исследователи использовали машинное обучение для разработки модели с множеством переменных для прогнозирования чувствительности к лечению в обучающей группе. Каждая модель может предсказать оценку в диапазоне от нуля (наибольшая чувствительность к лечению) до единицы (наибольшая нечувствительность к лечению) на основании изменения наибольшего измеримого поражения легких, выявленного в начале исследования.

Поскольку в группе гефитиниба было ограниченное число пациентов, исследователи создали и утвердили модель с использованием когорты пациентов с метастатическим колоректальным раком (302 человека), получавших терапию против EGFR. Радиологические особенности для прогнозирования чувствительности к лечению, выявленные в когорте колоректального рака, были затем использованы для построения модели в обучающей когорте пациентов с НМРЛ, получавших гефитиниб.

Во всех когортах для построения трех моделей прогнозирования было использовано восемь радиологических характеристик. Эти особенности включали изменения в объеме опухоли, неоднородности, форме и крае. В моделях ниволумаба и гефитиниба использовались четыре радиологических свойства, а в модели доцетаксела – одна.

Эффективность каждой подписи оценивалась путем вычисления площади под кривой (AUC), меры точности модели , где оценка 1 соответствует точному прогнозированию. Модели прогнозирования ниволумаба, доцетаксела и гефитиниба достигли AUC 0,77, 0,67 и 0,82 в когортах валидации соответственно.

«Мы наблюдали, что схожие радиомеханические характеристики предсказывают три разных ответа на лекарства у пациентов с НМРЛ», – сказал Деркл. «Кроме того, мы обнаружили, что те же четыре признака, которые идентифицировали чувствительность к лечению EGFR для пациентов с метастатическим колоректальным раком, могут быть использованы для прогнозирования чувствительности к лечению для пациентов с метастатическим НМРЛ».

Деркл отметил, что радиометрические сигнатуры могут способствовать принятию клинических решений. «При искусственном интеллекте визуализация рака может переместиться из изначально субъективного инструмента в количественный и объективный актив для точных методов медицины», – сказал он.

Ограничения исследования включают небольшой размер выборки. «Поскольку ИИ может постоянно учиться на реальных данных, использование ИИ для больших наборов данных пациентов поможет нам определить новые модели для построения более точных моделей прогнозирования», – отметил Деркл.

med-heal.ru