25 september 2024. Bron: Annalks of Oncology, Volume 35, Supplement 2 S782 September 2024

Uit een studie bij 968 patiënten met operabele longkanker stadium I tot III blijkt een op ML = machine learning (ML = een vorm van AI - Kunstmatige Intelligentie) gebaseerd overlevingsmodel een betere prognose te geven op het ontstaan van een recidief in vergelijking met de veel gebruikte stadium indeling.

Deze studie analyseerde de gegevens van 968 patiënten met klinisch stadium I tot III longkanker die een operatie hadden ondergaan. De onderzoekers onder leiding van Ann Valter van het North Estonia Medical Centre Foundation in Tallinn, verzamelden gegevens over patiënten van de U.S. National Lung Screening Trial, het North Estonia Medical Centre, de Stanford University School of Medicine en het Palo Alto Veterans Affairs Healthcare System. In totaal bleken 313 patiënten (32,3 procent) een longkankerrecidief te hebben gekregen en 28,4 procent van deze patiënten had stadium I ziekte.

De onderzoekers ontdekten dat het overlevingsmodel beter presteerde bij het indelen van patiënten in groepen met een hoog en laag risico (HR, 2,7; P < 0,005) vergeleken met stadium I versus II-III (HR, 2,2; P < 0,005).
Vergelijkbare resultaten werden geregistreerd in de subgroep van stadium I (HR, 2,4; P < 0,005) vergeleken met stadium IA versus IB (HR, 1,1; P = 0,79).
Vergeleken met de scheiding per stadium, detecteerde het ML-model grotere gaten tussen ziektevrije overleving (DFS) met een hoog en laag risico op één, twee en vijf jaar.
De onderzoekers ontdekten ook dat de voorspellingsnauwkeurigheid beter was met het overlevingsmodel;
De drempelwaarde van het ML-model werd ingesteld om overeen te komen met het aantal patiënten met een hoog en laag risico.

“Met verdere ontwikkeling zou dit algoritme een waardevol hulpmiddel kunnen blijken te zijn om de behandeling van longkankerpatiënten te ondersteunen”, schrijven de auteurs.

Het volledige studierapport dat gepresenteerd werd op ESMO 2024 in Barcelona is gratis in te zien of te downloaden. Klik daarvoor op de titel van het abstract:

Volume 35, Supplement 2S782September 2024

1214P Imaging AI prognosis of early stage lung cancer using CT radiomics

A. Valter1 ∙ T. Kordemets2 ∙ A. Gasimova3∙ … ∙ L. Freitag3 ∙ D.P. Carbone6 ∙ K. Oselin1… Show more

Cover Image - Annals of Oncology, Volume 35, Issue

Background

Accurate prediction of lung cancer recurrence risk is crucial for treatment decisions and follow-up, particularly for Stage I patients who are not eligible for (neo-)adjuvant therapy but approximately one-third still recur after surgical resection. We present a machine learning model that uses patient computed tomography (CT) images and clinical features to predict lung cancer recurrence.

Methods

A dataset of 968 clinical stage I-III lung cancer patients who underwent surgical resection was gathered from the US National Lung Screening Trial, the North Estonia Medical Centre, the Stanford University School of Medicine and Palo Alto Veterans Affairs Healthcare System. 313/968 had lung cancer recurrence, of which 221/776 were Stage 1. The pre-operative survival model was trained to predict the likelihood of recurrence at each time-point using radiomic features extracted from CT images and relevant clinical variables. An 8-fold cross-validation strategy was used and performance evaluated using the time-dependent Area-Under-the-ROC-Curve (AUC), disease-free survival (DFS), hazard ratio (HR) and log-rank test against clinical staging alone.

Results

The ML survival model was better able to stratify patients into high and low-risk (HR=2.7, p<0.005) compared with Stage I vs II-III (HR=2.2, p<0.005). The same was observed for the Stage I sub-group (HR=2.4, p<0.005) when compared with using Stage IA vs IB (HR=1.1, p=0.79). The gaps between the high and low-risk DFS at 1, 2, and 5 years are larger for the ML model than separation by staging. The ML survival model also had better prediction accuracy, with the time-dependent AUCs being significantly better than staging at 1, 2, and 5-year marks. ML model threshold was set to match on high/low-risk patient counts.

Predictors	1-year DFS % low-risk	1-year DFS % high risk	2-year DFS % low risk	2-year DFS % high-risk	5-year DFS % low risk	5-year DFS % high risk	HR	1-year AUC	2-year AUC	5-year AUC
cTNM - Stage I (n=776) vs Stage II-III (n=192)	92.0	77.1	85.6	66.7	74.0	50.8	2.2, (1.7, 2.8) (p<0.005)	0.66	0.64	0.61
ML model - low-risk (n=776) vs high-risk (n=192)	93.2	72.6	86.8	61.9	75.3	46.2	2.7, (2.1, 3.4) (p<0.005)	0.74	0.70	0.68
cTNM - Stage IA (n=116) vs Stage IB (n=660)	92.2	91.0	86.1	82.9	74.4	74.0	1.1, (0.7, 1.5) (p=0.79)	0.52	0.53	0.50
ML model - Stage I low-risk (n=116) vs Stage I high-risk (n=660)	94.0	80.9	88.0	72.0	77.4	55.1	2.4, (1.8, 3.3) (p<0.005)	0.67	0.64	0.64

Table: 1214P

Open table in a new tab

Conclusions

The ML survival model outperforms clinical staging in patient risk-stratification and time-dependent lung cancer recurrence prediction. With further development, this algorithm could prove a valuable tool to aid the management of lung cancer patients.

Legal entity responsible for the study

The authors.

Funding

Optellum.

Disclosure

A. Gasimova, B. Heames, N. Waterfield Price: Financial Interests, Institutional, Other, Employee: Optellum. G. Hodgkinson: Financial Interests, Institutional, Other, Employee: Medtronic. L. Freitag: Financial Interests, Institutional, Advisory Board: Optellum. All other authors have declared no conflicts of interest.