Association of clinicopathological features with spread through air spaces in non-small cell lung cancer: a retrospective machine-learning study
Diese retrospektive maschinelle Lernstudie, die 19 klinikopathologische Merkmale nutzte, stellte fest, dass die verfügbaren Daten zwar ein moderates Diskriminierungssignal für die Vorhersage der Ausbreitung durch Lufträume (STAS) beim nicht-kleinzelligen Lungenkarzinom aufweisen, das resultierende Modell jedoch aufgrund des zeitlichen Ablaufs der Schlüsselprädiktoren nach der Resektion und einer suboptimalen Kalibrierung am besten als exploratives Werkzeug zur Assoziationsfindung und weniger als präoperatives klinisches Entscheidungshilfsmittel geeignet ist.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der komplexen Landschaft der Lungenkrebsbehandlung stehen Chirurgen bei jeder Operation vor einer entscheidenden Entscheidung: wie viel Gewebe sie entfernen sollen. Das Ziel ist es, den Tumor vollständig zu entfernen und gleichzeitig so viel gesundes Lungengewebe wie möglich zu bewahren, aber die Wahl ist gewichtig. Wird zu wenig entfernt, kann der Krebs zurückkehren; wird zu viel entnommen, leidet die Lebensqualität des Patienten. Jahrzehntelang haben sich Ärzte verlassen, um diese Entscheidung anhand der Größe und des Erscheinungsbildes des Tumors zu treffen. Ein spezifisches Muster des Krebsverhaltens, bekannt als „Spread through Air Spaces“ (Ausbreitung durch die Lufträume), hat sich jedoch als verborgene Gefahr herausgestellt. Dieses Muster tritt auf, wenn Krebszellen aus der Haupttumormasse ausbrechen und durch die winzigen Lungenbläschen driften, wo sie sich in Bereichen niederlassen, die mit bloßem Auge gesund aussehen. Wenn dies geschieht, ist der Krebs wahrscheinlicher nach der Operation zurückkehrend, selbst wenn der Chirurg glaubte, alles entfernt zu haben. Das Problem besteht darin, dass Ärzte dieses gefährliche Muster erst bestätigen können, nachdem die Lunge entfernt und unter einem Mikroskop untersucht wurde – ein Zeitpunkt, an dem die Entscheidung darüber, wie viel geschnitten wird, bereits getroffen wurde.
Ein Forscherteam in Russland setzte sich zum Ziel zu untersuchen, ob man diese verborgene Gefahr vorhersagen könne, noch bevor die Operation überhaupt beginnt. Sie sammelten Daten von 230 Patienten, die sich einer Operation wegen eines nicht-kleinzelligen Lungenkarzinoms unterzogen hatten, einer häufigen Form dieser Erkrankung. Das Team nutzte ein hochentwickeltes Computerprogramm, eine Art künstliche Intelligenz, die darauf ausgelegt ist, aus strukturierten Daten zu lernen, um eine breite Palette von Informationen über jeden Patienten zu analysieren. Diese Informationen umfassten das Alter des Patienten, die spezifische Art der Krebszellen, die Größe des Tumors sowie die Frage, ob der Krebs Blutgefäße oder Nerven infiltriert hatte. Entscheidend war, dass von den 19 Variablen, die der Computer analysierte, nur das Alter ein Faktum war, das vor der Operation bekannt war; 11 der Merkmale waren tatsächlich postoperative Charakteristika, die erst nach der Gewebeentnahme und Untersuchung bestimmt werden konnten. Der Computer wurde darauf trainiert, Zusammenhänge zwischen diesen Faktoren und dem Vorhandensein des „Spread through Air Spaces“-Musters zu finden, welches bei 81 der Patienten bestätigt und bei den anderen 149 nicht nachgewiesen wurde.
Die Forscher fanden heraus, dass der Computer tatsächlich ein Signal in den Daten erkennen konnte. Er war in der Lage, zwischen Patienten mit der gefährlichen Ausbreitung und solchen ohne diese besser zu unterscheiden, als es der Zufall vermuten ließe. Das Signal war jedoch nicht stark genug, um ein zuverlässiges Kristallorn zu sein. Das Modell identifizierte das Vorhandensein der Ausbreitung korrekt in etwas mehr als der Hälfte der Fälle, in denen sie tatsächlich vorlag, während es das Fehlen der Ausbreitung in fast vier von fünf Fällen korrekt ausschloss. Wichtiger noch, die Forscher erkannten einen grundlegenden Fehler beim Versuch, diese spezifische Informationsmenge für präoperative Entscheidungen zu nutzen: Viele der Hinweise, die der Computer verwendete, wie etwa die exakte Größe der Tumorinfiltration in ein Blutgefäß oder ob ein Nerv infiltriert wurde, sind erst bekannt, nachdem der Chirurg das Gewebe herausgeschnitten hat. Man kann die Größe der Invasion eines Tumors in ein Blutgefäß nicht wissen, bevor man den Tumor entfernt und unter einem Mikroskop betrachtet hat.
Aufgrund dieses zeitlichen Problems kamen die Autoren zu dem Schluss, dass ihr Modell nicht als Werkzeug zur Führung des Chirurgenmesser vor der Operation verwendet werden kann. Das Modell schaut im Grunde auf den Lösungsschlüssel, während es versucht, die Frage zu erraten. Obwohl der Computer zeigen konnte, dass er die Beziehung zwischen den Patientencharakteristika und dem Verhalten des Krebses erlernen konnte, war die Genauigkeit nicht hoch genug, um es allein mit lebensentscheidenden Entscheidungen zu vertrauen. Die Studie dient als eine klare Karte dessen, was mit Standard-Medizindaten derzeit möglich ist, und zeigt auf, dass während eine messbare Verbindung zwischen diesen Merkmalen und der Ausbreitung des Krebses besteht, die Verbindung zu schwach und zu sehr von postoperativen Fakten abhängig ist, um im Operationssaal nützlich zu sein. Die Forscher schlagen vor, dass der nächste Schritt darin besteht, diese bestehenden Hinweise mit neuen Informationen zu kombinieren, die vor der Operation gewonnen werden können, wie etwa detaillierte Bilder aus Scans oder molekulare Tests, um ein Werkzeug aufzubauen, das Chirurgen eines Tages helfen könnte, bessere Entscheidungen zu treffen. Für den Moment stellt die Studie eine sorgfältige, ehrliche Einschätzung der Grenzen der aktuellen Daten dar und beweist, dass die Teile des Puzzles zwar vorhanden sind, aber noch kein vollständiges Bild ergeben, mit dem man die Zukunft des Krebses eines Patienten vorhersagen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.