Nowe kierunki w diagnostyce i terapii czerniaka

Niniejsza rozprawa doktorska została przygotowana w oparciu o cykl czterech powiązanych tematycznie publikacji pełnotekstowych poświęconych nowoczesnym metodom diagnostyki i leczenia czerniaka. Celem prac wchodzących w skład rozprawy doktorskiej było dokonanie analizy aktualnego stanu wiedzy na temat nowych możliwości terapeutycznych zaawansowanego czerniaka z wyodrębnieniem roli jaką w onkogenezie i lekooporności czerniaka może odgrywać czynnik transkrypcyjny YY1. Następnie ocenie poddano skuteczność i jakość głębokich sieci neuronowych w prawidłowej klasyfikacji zmian skórnych na obrazach dermatoskopowych. W końcowym etapie porównano skuteczność najlepszego modelu sieci neuronowej z grupą dermatologów w internetowym teście klasyfikacji zmian skórnych na obrazach dermatoskopowych. Przeprowadzona analiza piśmiennictwa wykazała, iż na etapie badań klinicznych pozostaje wiele nowych, obiecujących opcji terapeutycznych dedykowanych grupie pacjentów z zaawansowaną postacią czerniaka, a czynnik YY1 pełni kluczową rolę w regulacji licznych procesów metabolicznych zachodzących w mikrośrodowisku nowotworowym. W zadaniu klasyfikacji czerniaka na podstawie obrazów dermatoskopowych najlepsze wyniki osiągnął model ResNeXt-101 (odpowiednio precyzja – 77%, swoistość - 97%). Multi-klasyfikator osiągnął lepszy wynik precyzji (80%) w predykcji czerniaka złośliwego. Model ResNeXt-101 uzyskał wyższą wartość precyzji (86%) w porównaniu do grupy dermatologów w klasyfikacji czerniaka złośliwego.

The following PhD thesis is based upon four thematically linked full-text scientific articles on new treatment and diagnostic modalities of melanoma. The aim of the work included in the doctoral dissertation was to analyse the current state of knowledge on new therapeutic options for advanced melanoma and identifying the role that the transcription factor YY1 may play in melanoma oncogenesis and drug resistance. Next the effectiveness and quality of deep neural networks in the correct classification of skin lesions on dermatoscopic images was assessed. In the final part of the research, the effectiveness of the selected neural network model was compared with the group of dermatologists in an online classification test of skin lesions in dermatoscopic images. The conducted analysis of the literature showed that at the stage of clinical trials there are many new, promising therapeutic options dedicated to the group of patients with advanced melanoma and factor YY1 plays a key role in the regulation of numerous metabolic processes taking place in the neoplastic microenvironment. In the task of classifying melanoma on dermatoscopic images, the best results were achieved by the ResNeXt-101 model (precision - 77%, specificity - 97% respectively. The ensemble of convolutional neural networks achieved a better precision (80%) in the prediction of melanoma, while the sensitivity remained the same. The ResNeXt-101 model obtained a higher precision (86%) compared to the group of dermatologists in the classification of melanoma. However, the group of dermatologists showed better sensitivity in the detection of melanoma.