témavezető: Bogos Krisztina
helyszín (magyar oldal): SE helyszín rövidítés: SE
A kutatási téma leírása:
Bevezetés
A tüdőrák továbbra is a leggyakrabban diagnosztizált rosszindulatú megbetegedés világszerte (a daganatos esetek 11,6%-a tüdődaganat), és egyben a vezető daganatos halálok (az összes daganatos haláleset mintegy 18,4%-a)1. Hazánkban, a tüdőrákos esetek előfordulása – a közép-európai országok átlagához hasonlóan – magas, és évente átlagosan mintegy 6045–6465 magyar beteg hal meg tüdőcarcinómában2,3. Tekintettel, hogy a betegség sokáig panaszmentes, az esetek 64%-a előrehaladott stádiumban (IIIB vagy IV. stádium) kerül diagnosztizálásra, ahol az átlagos 5 éves túlélés 5-17% a szövettani altípus függvényében4.
A diagnosztikában az 1960-as évek óta törekszenek hatékony szűrővizsgálati eljárások kidolgozására. Kezdetben mellkasröntgennel5, illetve köpetcitológiával6 szűrték a betegeket, a mortalitást azonban ezek a módszerek – a kontrollcsoporthoz viszonyítva – nem tudták jelentősen csökkenteni. A CT-technika megjelenése ugyanakkor áttörést jelentett a tüdő vizsgálataiban, és az alacsony dózisú (low-dose) CT (LDCT)-vizsgálatok lehetővé tették a hatékonyabb szűrési programok megjelenését7. A LDCT-vizsgálatok előnye, hogy az átlagos sugárdózis viszonylag alacsony (0,2 - 2,5 mSv) és ebből adódóan nem jelent reális kockázatot a vizsgált személyre nézve8. A szűrővizsgálatok mellett, az új típusú fúziós képalkotó eljárások (CT/SPECT/PET/MRI) pontos adatokat szolgáltatnak a kórlefolyás során fellépő anatómiai és funkcionális változásokra is. Sőt, a radiomika által, a morfológiai és a biokémiai reakciókat tükröző folyamatokon túlmenően olyan diagnosztikai és prognosztikai biomarkerek azonosíthatóak, melyek hozzájárulhatnak új kezelési stratégiák kialakításához9.
Célkitűzések
1. Alacsony dózisú CT-vel történő tüdőrákszűrés hatékonyságának vizsgálata.
A nem-kissejtes tüdőrák (NSCLC) szűrésének jelenleg bizonyítottan hatékony módja a LDCT-vizsgálat7. A nagy nemzetközi vizsgálatok ennek elvégzését a nagy rizikójú csoportokban javasolják, legalább 20 csomagév dohányzási anamnézisű, a jelenleg is dohányos vagy a dohányzásról 15 éven belül leszokott, 50 év feletti személyeknél. Magyarországon a népesség mintegy 40%-a dohányos10, tehát ebbe a rizikócsoportba óvatos becsléssel is megközelítőleg 1 millió ember tartozhat. Ennélfogva célunk, a LDCT vizsgálatok hatékonyságának elemzése nagyszámú magyar betegkohorszon és a magas rizikójú csoportok azonosítása a dohányzási szokások és a különböző társbetegségek (pl. COPD) jelenlétének függvényében. Másodlagos célunk továbbá, a szűrés során alkalmazott onkopulmonológiai kivizsgálási algoritmusok tökéletesítése.
2. A radiomikai profil és a szövettani jellegzetességek közötti összefüggések feltérképezése tüdőrákban.
A radiomikai megközelítések és a különböző mesterséges intelligencián alapúló algoritmusok (különösen a mély tanulásban használtak) képesek – az emberi szem számára nem mindig egyértelmű – képi adatok komplex mintáinak automatikus felismerésére, és a képi jellemzők kvantitatív értékelésére11. A közelmúltban megjelent tanulmányok igazolták, hogy a radiomikai profil elemzése hozzájárulhat a tüdőrákok szövettani altípusának non-invazív módon történő meghatározásához12. Ugyanakkor, jelenleg kevés adat áll rendelkezésünkre a radiomikai jellemzők és az egyéb szövettani (és/vagy molekuláris) jellegzetességek (érinvázió és légúti terjedés jelenléte, immun mikrokörnyezet, mutációs státusz, stb.) közötti összefüggésekre vonatkozóan.
3. A tüdődaganatok klinikai viselkedésének tanulmányozása gépi tanulási algoritmusokkal a radiológiai jellemzők függvényében.
Az NSCLC kezelésében az utóbbi évek legfontosabb változását a molekuláris célzott terápiák és az immunterápiák megjelenése okozta. Mindemellett, ezen terápiák megjelenésével párhuzamosan felértékelődött az olyan prediktív biomarkerek szerepe is, melyek tükrözik a daganatok klinikai viselkedését és előrevetítik a terápiás választ. Friss tanulmányok alapján feltételezhető, hogy mind a célzott terápiás, mind az immunterápiás válasz szoros összefüggésben állhat a radiomikai képpel13,14. Ennek ellenére, a radiomikai profil prediktív és prognosztikus jelentősége jelenleg javarészt ismeretlen tüdőrákban. Célunk a daganatok klinikai és terápiás viselkedésének feltérképezése mesterséges intelligencián alapuló algoritmusokkal a radiomikai profil alapján.
Hivatkozások
1. Bray F, Ferlay J, Soerjomataram I, et al: Global cancer statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin 68:394-424, 2018
2. Bogos K, Kiss Z, Gálffy G, et al: Revising Incidence and Mortality of Lung Cancer in Central Europe: An Epidemiology Review From Hungary. Frontiers in oncology 9:1051-1051, 2019
3. Bogos K, Kiss Z, Gálffy G, et al: [Novel approaches to the epidemiology of lung cancer in Hungary]. Magy Onkol 64:175-181, 2020
4. Ostoros G: Lung cancer. [Tüdőrák.]. Korányi Bulletin 1:32-40, 2017
5. Melamed MR, Flehinger BJ, Zaman MB, et al: Screening for early lung cancer. Results of the Memorial Sloan-Kettering study in New York. Chest 86:44-53, 1984
6. Oken MM, Hocking WG, Kvale PA, et al: Screening by chest radiograph and lung cancer mortality: the Prostate, Lung, Colorectal, and Ovarian (PLCO) randomized trial. Jama 306:1865-73, 2011
7. The National Lung Screening Trial Research Team: Reduced Lung-Cancer Mortality with Low-Dose Computed Tomographic Screening. New England Journal of Medicine 365:395-409, 2011
8. Kerpel-Fronius A, Monostori Z, Solymosi D, et al: [First experiences with HUNCHEST - low-dose CT lung cancer screening programme]. Orvosi hetilap 159:1741-1746, 2018
9. Cook GJR, Azad G, Owczarczyk K, et al: Challenges and Promises of PET Radiomics. International journal of radiation oncology, biology, physics 102:1083-1089, 2018
10. Monostori Z: Dilemma of screening for lung cancer. Is the tumor recognizable and curable at early stage? [A tüdőrák szűrésének dilemmája – Felismerhető és kezelhető-e korai stádiumban a daganat?] Magy Radiol 76: 58–63, 2002
11. Koçak B, Durmaz EŞ, Ateş E, et al: Radiomics with artificial intelligence: a practical guide for beginners. Diagnostic and interventional radiology (Ankara, Turkey) 25:485-495, 2019
12. Linning E, Lin Lu, Li L, et al: Radiomics for Classifying Histological Subtypes of Lung Cancer Based on Multiphasic Contrast-Enhanced Computed Tomography. J Comput Assist Tomogr 43:300-306, 2019
13. Hong D, Xu K, Zhang L, et al: Radiomics Signature as a Predictive Factor for EGFR Mutations in Advanced Lung Adenocarcinoma. Frontiers in oncology 10:28-28, 2020
14. Megyesfalvi Z, Kugler C, Fülöp A, et al: P1.04-49 Quantitative Computed Tomography (CT) Based Texture Analysis (QTA) Might Identify Responders to Immunotherapy in Non-Small Cell Lung Cancer. Journal of Thoracic Oncology 14:S459-S460, 2019
felvehető hallgatók száma: 3
Jelentkezési határidő: 2024-05-31
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Bejelentkezés
