Uma rede neural artificial

Scientific Reports volume 13, Número do artigo: 8673 (2023) Citar este artigo

262 Acessos

2 Altmétrica

Detalhes das métricas

A radioterapia beneficia os pacientes com carcinoma escamoso avançado do esôfago (CEC) em termos de alívio dos sintomas e sobrevida a longo prazo. Em contraste, uma proporção substancial de pacientes com ESCC não se beneficiou da radioterapia. Este estudo teve como objetivo estabelecer e validar um modelo de radiômica baseado em rede neural artificial para a previsão pré-tratamento da resposta à radioterapia de ESCC avançada usando dados integrados combinados com características de linha de base viáveis ​​de tomografia computadorizada. Um total de 248 pacientes com ESCC avançado submetidos a TC basal e radioterapia foram incluídos neste estudo e analisados ​​por dois tipos de modelos radiômicos, aprendizado de máquina e aprendizado profundo. Com isso, o At. O modelo de rede pré-treinado Resnet50 indicou desempenho superior, com AUCs de 0,876, 0,802 e 0,732 nas coortes de treinamento, validação interna e validação externa, respectivamente. Da mesma forma, nosso Att. O modelo de rede pré-treinado Resnet50 mostrou excelente calibração e benefício clínico significativo de acordo com o índice C e a análise da curva de decisão. Aqui, um novo modelo de radiômica pré-tratamento foi estabelecido com base em métodos de aprendizado profundo e pode ser usado para prever a resposta à radioterapia em pacientes com ESCC avançado, fornecendo assim evidências confiáveis ​​para a tomada de decisões terapêuticas.

O câncer de esôfago (CE) é um dos subtipos fatais de tumores malignos e apresenta a sétima maior taxa de mortalidade entre todos os subtipos1. Para a Ásia, o carcinoma de células escamosas é o subtipo patológico primário de CE. A cirurgia radical e a quimiorradioterapia são tratamentos cruciais para pacientes com carcinoma de células escamosas (CEC) do esôfago2. A radioterapia radical é recomendada como tratamento preferencial para o carcinoma do esôfago cervical e torácico médio localizado em uma posição mais alta, difícil de remover completamente por cirurgia. Para CCE avançado irressecável, quimioterapia e radioterapia ainda são necessárias para aliviar os sintomas e prolongar a sobrevida3,4,5.

No entanto, a sensibilidade à radioterapia varia entre diferentes pacientes6, levando a diferenças significativas na resposta ao tratamento. Eventos adversos e efeitos colaterais são mais prováveis ​​de serem observados em pacientes com CEC resistente à radiação7,8. Para tanto, uma abordagem prática e não invasiva que possa estimar a radioterapia com precisão antes da implementação do tratamento precisa ser explorada em pacientes com ESCC.

Nas últimas décadas, a classificação geral do contraste esofágico (tipo medular, tipo fungoso, tipo constritivo e tipo ulcerativo) para predizer a resposta à radioterapia tem sido amplamente utilizada na prática clínica9,10. No entanto, essa previsão é inteiramente baseada na avaliação empírica dos radiologistas, o que causa diferenças entre as respostas reais do tratamento. Caso contrário, os biomarcadores moleculares relacionados à sensibilidade à radioterapia não foram validados prospectivamente para uso clínico de rotina. Estudos recentes indicaram que a radiômica baseada em inteligência artificial (IA) pode extrair biomarcadores de biópsia virtual radiográfica não invasiva, fornecendo efetivamente informações preditivas para resposta ao tratamento11,12. Lu et al.13 descobriram que o modelo baseado em aprendizado profundo mostrou alta precisão na identificação das origens de cânceres de origem desconhecida. Zhong14 indicou que os recursos radiômicos baseados na ressonância magnética multiparamétrica (mp-MRI) podem ser considerados fatores prognósticos em pacientes com câncer de próstata localizado após radioterapia. Gao15 mostrou que as assinaturas radiômicas baseadas em RM ponderadas por difusão longitudinal podem ser usadas para estimar os efeitos da radioterapia no pré-operatório. Zhu16 relatou que um modelo de nomograma baseado em assinaturas radiômicas de imagens de tomografia computadorizada (TC) e fatores clínicos mostrou sensibilidade e especificidade adequadas para estimar o risco de recorrência local em carcinoma nasofaríngeo (NPC) após radioterapia de intensidade modulada (IMRT).