| Tytuł projektu: Analiza obrazów ultrasonograficznych wspomagana sztuczną inteligencją, w celu predykcji odpowiedzi pacjentek z rakiem piersi na chemioterapię neoadjuwantową |
Umowa:
Umowa nr 1/XXIII/2025
Czas realizacji:
2025-02-03 / 2027-01-31
Konsorcjum:
jedyny wykonawca
Sponsor:
Naukowa Fundacja Polpharma
Typ:
Konkurs:
Lista wykonawców:
| 1 | prof. dr hab. inż. | Czesław Bajer |
| 2 | dr hab. inż. | Bartłomiej Dyniewicz |
| 3 | prof. dr hab. | Jerzy Litniewski |
| 4 | inż. | Julia Pietraszek |
| 5 | dr inż. | Hanna Piotrzkowska-Wróblewska♦ |
| ♦ kierownik |
Streszczenie:
Rak piersi jest najczęściej występującym nowotworem wśród kobiet i drugim co do częstości na świecie. Standardy jego leczenia opierają się na wielodyscyplinarnych schematach, uwzględniających stopień zaawansowania nowotworu i jego rodzaj. Chemioterapia neoadjuwantowa (NAC), czyli terapia przedoperacyjna, jest stosowana u 7–23% pacjentek i ma na celu m.in. zmniejszenie wymiarów guza przed operacją oraz zapobieganie pojawieniu się przerzutów.
Skuteczność NAC jest różna – pełna odpowiedź patologiczna lub minimalna choroba resztkowa osiągana jest u 15–30% pacjentek, odpowiedź częściowa natomiast u około 50%.
Monitorowanie pacjentek poddawanych NAC, w celu jak najwcześniejszej ewaluacji poziomu odpowiedzi na leczenie stanowi kluczowe zagadnienie. Należy bowiem pamiętać, że korzyści wynikające z chemioterapii neoadjuwantowej stanowią wypadkową skuteczności i toksyczności terapii.
Obecnie predykcja odpowiedzi na NAC jest dokonywana na podstawie obserwacji i analizy zmian zachodzących w wymiarach guza. Niestety ewaluacja odpowiedzi guza na leczenie, oparta wyłącznie na ocenie zmian jego wielkości obarczona jest dużym błędem.
Celem projektu jest opracowanie zaawansowanych technik analizy obrazów ultrasonograficznych (USG), które przyczynią się do poprawy skuteczności oceny odpowiedzi pacjentek z rakiem piersi na chemioterapię neoadjuwantową. Wykorzystane zostaną zarówno tradycyjne techniki analizy danych jak i nowoczesne podejścia oparte na tzw. uczeniu głębokim.
Klasyczne metody analizy obrazów koncentrują się na wyodrębnianiu konkretnych cech widocznych na obrazach USG. Przykładem takich cech mogą być m.in. cechy związane z:
morfologią guza – jego kształt, krawędzie, struktura.
teksturą obrazu – różnice w jasności i rozkładzie pikseli widocznych na obrazie,
Metody uczenia głębokiego wykorzystują natomiast sieci neuronowe – zaawansowane algorytmy inspirowane działaniem ludzkiego mózgu. Te algorytmy mają zdolność automatycznego wykrywania istotnych cech na obrazach, bez potrzeby wcześniejszego wskazywania, czego dokładnie należy szukać.
Zaproponowane w projekcie podejście, umożliwia dokładną analizę obrazów ultradźwiękowych i w konsekwencji znacznie wcześniejszą i bardziej precyzyjną predykcją odpowiedzi pacjentek na leczenie. Zastosowanie metod w praktyce klinicznej, umożliwi w przyszłości, dostosowywanie terapii do potrzeb pacjenta, zwiększając w konsekwencji szanse na powodzenie leczenia.