Una rete neurale artificiale

Rapporti scientifici volume 13, numero articolo: 8673 (2023) Citare questo articolo

262 accessi

2 Altmetrico

Dettagli sulle metriche

La radioterapia apporta benefici ai pazienti con carcinoma a cellule squamose dell’esofago (ESCC) avanzato in termini di sollievo dei sintomi e sopravvivenza a lungo termine. Al contrario, una percentuale sostanziale di pazienti con ESCC non ha tratto beneficio dalla radioterapia. Questo studio mirava a stabilire e convalidare un modello radiomico basato su rete neurale artificiale per la previsione pretrattamento della risposta radioterapica dell'ESCC avanzato utilizzando dati integrati combinati con caratteristiche di base possibili della tomografia computerizzata. In questo studio sono stati arruolati un totale di 248 pazienti con ESCC avanzato sottoposti a TC basale e radioterapia e analizzati mediante due tipi di modelli radiomici, machine learning e deep learning. Di conseguenza, l'Avv. Il modello di rete preaddestrato Resnet50 ha indicato prestazioni superiori, con AUC di 0,876, 0,802 e 0,732 rispettivamente nelle coorti di formazione, convalida interna e convalida esterna. Allo stesso modo, il nostro Avv. Il modello di rete preaddestrato Resnet50 ha mostrato un'eccellente calibrazione e un beneficio clinico significativo secondo l'indice C e l'analisi della curva decisionale. In questo contesto, è stato creato un nuovo modello radiomico di pretrattamento basato su metodi di deep learning e potrebbe essere utilizzato per la previsione della risposta alla radioterapia nei pazienti con ESCC avanzato, fornendo così prove affidabili per il processo decisionale terapeutico.

Il cancro esofageo (EC) è uno dei sottotipi fatali di tumori maligni e presenta il settimo tasso di mortalità più alto tra tutti i sottotipi1. Per l'Asia, il carcinoma a cellule squamose è il sottotipo patologico primario di EC. La chirurgia radicale e la chemioradioterapia sono trattamenti cruciali per i pazienti affetti da carcinoma a cellule squamose dell'esofago (ESCC)2. La radioterapia radicale è raccomandata come trattamento preferenziale per il carcinoma esofageo cervicale e toracico medio situato in una posizione più elevata che è difficile da resecare completamente mediante intervento chirurgico. Per l'ESCC avanzato non resecabile, la chemioterapia e la radioterapia sono ancora necessarie per alleviare i sintomi e prolungare la sopravvivenza3,4,5.

Tuttavia, la sensibilità alla radioterapia varia tra i diversi pazienti6, portando a differenze significative nella risposta al trattamento. È più probabile che eventi avversi ed effetti collaterali siano osservati nei pazienti con ESCC resistente alle radiazioni7,8. A tal fine, è necessario esplorare un approccio pratico e non invasivo in grado di stimare la radioterapia esattamente prima dell’implementazione del trattamento nei pazienti con ESCC.

Negli ultimi decenni, la classificazione generale del contrasto esofageo (tipo midollare, tipo fungino, tipo costrittivo e tipo ulcerativo) per prevedere la risposta alla radioterapia è stata ampiamente utilizzata nel lavoro clinico9,10. Tuttavia, questa previsione è interamente basata sulla valutazione empirica dei radiologi, che causa differenze tra le effettive risposte al trattamento. Altrimenti, i biomarcatori molecolari correlati alla sensibilità alla radioterapia non sono stati validati in modo prospettico per l’uso clinico di routine. Studi recenti hanno indicato che la radiomica basata sull'intelligenza artificiale (AI) può estrarre biomarcatori radiografici virtuali non invasivi, fornendo in modo efficace informazioni predittive per la risposta al trattamento11,12. Lu et al.13 hanno scoperto che il modello basato sul deep learning ha mostrato un'elevata precisione nell'identificazione delle origini di tumori di origine sconosciuta. Zhong14 ha indicato che le caratteristiche radiomiche basate sulla risonanza magnetica multiparametrica (mp-MRI) potrebbero essere considerate fattori prognostici nei pazienti con cancro alla prostata localizzato dopo radioterapia. Gao15 ha dimostrato che le firme radiomiche basate sulla risonanza magnetica pesata in diffusione longitudinale potrebbero essere utilizzate per stimare gli effetti della radioterapia prima dell'intervento. Zhu16 ha riferito che un modello di nomogramma basato sulle firme radiomiche dell'imaging della tomografia computerizzata (CT) e sui fattori clinici ha mostrato un'adeguata sensibilità e specificità nella stima del rischio di recidiva locale nel carcinoma nasofaringeo (NPC) dopo radioterapia ad intensità modulata (IMRT).