Studije u novoj doktorskoj tezi pokazuju da je metoda podržana veštačkom inteligencijom (AI) efikasna u dijagnozi karcinoma skvamoznih ćelija glave i vrata (SCCHN). Pored toga, mašinsko učenje (ML, podpolje veštačke inteligencije) je korišćeno da se razvije model na osnovu klinički dostupnih podataka za predviđanje recidiva kod skvamoznog karcinoma jezika (SCCOT).
Opšti ciljevi studija bili su da se proceni korisnost PET/CT (rendgenski snimak sa kontrastnim agensom i slike o tome kako se agens preuzima u telu) kod raka glave i vrata i primeni AI za predviđanje razvoja SCCOT i recidiva of SCCHN. Četiri studije su odgovorile na postavljena pitanja.
„Naše studije nude sistematsku AI metodu za otkrivanje karcinoma skvamoznih ćelija jezika, rano pre nego što se pojave klinički simptomi, koristeći, između ostalog, mašinsko učenje koje se može interpretirati“, kaže autor disertacije Amir Salehi, Odeljenje za medicinske bionauke.
Rezultati sugerišu da ljudi sa SCCOT, bez obzira na status dijabetesa, mogu imati koristi od lečenja nivoa glukoze, pošto su SCCOT pacijenti sa dijabetesom imali bolju prognozu od nedijabetičara.
„Naravno, ovo je samo početak i potrebno je uraditi još istraživanja pre nego što se može primeniti u kliničku praksu. Iznenadilo nas je da pacijenti sa dijabetesom imaju bolje rezultate relapsa i preživljavanja od nedijabetičara kada je SCCOT u pitanju“, kaže Amir Salehi.
Za ove metode, upoređeni su rezultati PET/CT, pan-endoskopije sa biopsijom i US-FNAC kod pacijenata za koje se sumnja da imaju rak glave i vrata između 2014. i 2016. Istraženi su klinički, genomski, transkriptomski i proteomski markeri koji identifikuju rizik od recidiva. U uzorcima krvi uzetim od zdravih osoba, procenjeni su podaci o proteinima relevantnim za upale i/ili tumorske procese. Pristup Shaplei Additive Ekplanations (SHAP) je korišćen da bi se odredio najbolji ML-algoritam za izbor karakteristika. AdaBoost, Veštačke neuronske mreže (ANN), Decision Tree (DT), eKstreme Gradient Boosting (KSGBoost) i Support Vector Machine (SVM) su korišćeni za kreiranje modela predviđanja. Klinički podaci pacijenata analizirani su statističkim i ML tehnikama.