AI effektivt vid diagnos av huvud- och halscancer
Studier i en avhandling indikerar att en AI-stödd metod är effektiv vid diagnos av skivepitelcancer i huvud och hals (SCCHN). Dessutom användes maskininlärning (ML, ett underområde av artificiell intelligens) för att utveckla en modell från kliniskt tillgängliga data för förutsägelse av återfall i skivepitelcancer i tungan (SCCOT).
Det övergripande syftet med studierna var att bedöma användbarheten av PET/CT (röntgen med kontrastmedel och bilder av hur medlet tas upp i kroppen) vid huvud- och halscancer och tillämpa AI för att förutsäga utveckling av SCCOT och återfall av SCCHN. Fyra studier besvarade ställda frågor.
– Våra studier erbjuder en systematisk AI-metod för att upptäcka skivepitelcancer i tungan, tidigt innan kliniska symtom uppträder, genom att använda bland annat tolkbar maskininlärning, säger avhandlingens författare Amir Salehi, Institutionen för medicinsk biovetenskap.
Bättre prognos med diabetes
Resultaten tyder på att personer med SCCOT, oavsett diabetesstatus, kan ha nytta av behandling av glukosnivåer, eftersom SCCOT-patienter med diabetes hade bättre prognos än icke-diabetiker.
– Det här är naturligtvis bara början, och mer forskning behöver göras innan det kan omsättas i klinisk praktik. Vi blev förvånade över att diabetespatienter hade bättre återfall och överlevnadsresultat än icke-diabetiker när det gäller SCCOT, säger Amir Salehi.
Metod: Från patienter som misstänks ha cancer i huvud och hals 2014–2016 jämfördes resultat från PET/CT, panendoskopi med biopsi och US-FNAC. Kliniska, genomiska, transkriptomiska och proteomiska markörer som identifierar risk för återfall undersöktes. I blodprover tagna från friska individer utvärderades data från proteiner relevanta för inflammation och/eller tumörprocesser. SHapley Additive Explanations (SHAP) tillvägagångssätt användes för att bestämma den bästa ML-algoritmen för funktionsval. AdaBoost, artificiella neurala nätverk (ANNs), Decision Tree (DT), eXtreme Gradient Boosting (XGBoost) och Support Vector Machine (SVM) användes för att skapa prediktionsmodeller. Kliniska data från patienter analyserades med hjälp av statistiska och ML-tekniker.
