头颈部癌症研究人员展示了深度学习算法在手术后环境中的能力

据ECOG-ACRIN癌症研究小组(ECOG-ACRIN)的研究人员称，人工智能可以增强当前的方法，以预测头颈部癌症在颈部淋巴结边界外扩散的风险。使用标准计算机断层扫描(CT)图像和参与E3311 2期试验的患者提供的相关数据的定制深度学习算法显示出了希望，特别是对于新诊断为人类乳头瘤病毒(HPV)相关头颈部癌症的患者。E3311验证数据集有可能有助于更准确的疾病分期和风险预测。

Benjamin Kann医学博士(哈佛医学院布里格姆妇女医院达纳-法伯癌症研究所)领导了ECOG-ACRIN的研究。他将在德克萨斯州圣安东尼奥市举行的美国放射肿瘤学会(ASTRO)年会上介绍这一发现。

“这种类型的研究很关键，因为它可以帮助识别高风险、侵袭性疾病的患者，也可以帮助选择合适的患者进行治疗降级，”Kann博士说。

头颈部癌症及其标准治疗方法——手术、放疗或化疗——具有显著的发病率。它们影响一个人的长相、说话、饮食或呼吸。因此，为患者开发低强度的治疗策略具有很大的兴趣。例如，已完成的E3311 3期试验表明，经口手术后不进行化疗的50格雷(Gy)低剂量辐射可使中等复发风险的患者获得非常高的生存率和出色的生活质量(摩天RL。J临床．2021年12月）.

Kann博士及其同事开发并验证了一种基于神经网络的深度学习算法基于诊断计算机断层扫描(CT扫描)，病理，和临床数据．资料来源为E3311试验的参与者队列，这些参与者通过标准的病理和临床措施被评估为高复发风险。

“头部和颈部分期癌症是一个具有挑战性的临床问题，”坎博士说。“特别是，我们目前通过人类对治疗前成像的解读来识别结外延伸的努力通常结果不佳。”

决定癌症分期的因素包括原发肿瘤的大小、涉及的淋巴结数量和结外延伸(恶性细胞从颈部淋巴结扩散到周围组织)。在E3311中，如果结外延伸(ENE)≥1mm，则患者被评估为高风险。这些患者在经口手术后接受化疗和高剂量放疗(66 Gy)。

Kann博士及其同事获得了E3311高危人群治疗前的计算机断层扫描(CT)和相应的手术病理报告。从收集的177个扫描中，有311个节点被标注:71个(23%)ENE, 39个(13%)ENE≥1 mm。

该工具在预测ENE方面表现出色，大大优于头颈部放射科专家的评论。

“深度学习算法准确地将85%的淋巴结分类为ENE，而放射科医生则为70%，”Kann博士说。“在特异性和敏感性方面，深度学习算法的准确率为78%，而放射科医生的准确率为62%。”

该团队计划对该数据集进行评估，作为未来头部和头部疾病治疗试验的一部分颈部癌症．该算法将评估其改进当前疾病分期和风险评估方法的潜力。

资深作者Barbara A. Burtness医学博士说:“我们从标准CT扫描图像中开发生物标志物的能力是临床研究的一个令人兴奋的新领域，它为我们能够更好地为个体患者量身定制治疗提供了希望，包括决定何时最好地使用手术，以及在谁身上减少治疗程度。”