根据ECOG-ACRIN癌症研究小组(ECOG-ACRIN)的研究人员的说法，人工智能可以增强当前的方法，以预测头颈部癌症扩散到颈部淋巴结边界之外的风险。使用标准计算机断层扫描(CT)扫描图像和参与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希望，特别是对于新诊断为人瘤病毒(HPV)相关头颈部癌症的患者。经 E3311 验证的数据集有可能有助于更准确地分期疾病和预测风险。

本杰明·卡恩，医学博士(达纳 - 法伯癌症研究所，布莱根妇女医院，哈佛医学院)领导了ECOG-ACRIN的研究。他将在德克萨斯州圣安东尼奥举行的放射肿瘤学会(ASTRO)年会上介绍这些发现。

“这种类型的研究是关键，因为它可以帮助识别患有高风险，侵袭性疾病的患者，并且还有助于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-手术、放疗或化疗)具有显著的发病率。它们影响一个人的外表，说话，饮食或呼吸。因此，对为患者开发不那么强烈的治疗策略非常感兴趣。例如，完成的E3311 3期试验表明，经口手术后，在50 Gray(Gy)处进行低剂量放疗而不进行化疗，导致中等复发风险患者的生存率非常高，生活质量出色(Ferris RL.J·科林·昂克2021年12月)。

Kann博士及其同事开发并验证了一种基于诊断性计算机断层扫描(CT)扫描、病理学和临床数据的基于神经网络的深度学习算法。来源是E3311试验的参与者队列，他们通过标准的病理学和临床措施评估了高复发风险。

“头颈部癌症的分期是一个具有挑战性的临床问题，”Kann博士说。“特别是，我们目前通过人类对治疗前成像的解释来识别结外延伸的努力通常显示出较差的结果。

决定癌症分期的因素包括原始肿瘤的大小，受累淋巴结的数量以及结外延伸 - 当恶性细胞扩散到颈部淋巴结边界之外进入周围组织时。在E3311中，如果存在≥1 mm结外延伸(ENE)，则将患者评估为高风险。这些患者在经口手术后被分配到化疗和高剂量放疗(66 Gy)。

Kann博士及其同事从E3311高风险队列中获得了治疗前的计算机断层扫描(CT)扫描和相应的手术病理学报告。从收集的177个扫描中，注释了311个节点：71个(23%)使用ENE，39个(13%)使用≥1 mm ENE。

该工具在预测ENE方面表现出很高的性能，大大优于专家头颈放射科医生的评论。

“深度学习算法准确地将85%的节点分类为具有ENE，而放射科医生的这一比例为70%，”Kann博士说。“至于特异性和灵敏度，深度学习算法的准确率为78%，而放射科医生的准确率为62%。

该团队计划评估该数据集，作为未来头颈部癌症治疗试验的一部分。将评估该算法在改进当前疾病分期和风险评估方法方面的潜力。

“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，并提供了希望，即我们将能够更好地为个体患者量身定制治疗方案，包括决定何时最好地使用手术以及谁来减少治疗范围，”资深作者Barbara A. Burtness说。 断续器