Neues KI-Tool „TORCH“ identifiziert erfolgreich Krebsursachen in unbekannten Primärfällen

In einer kürzlich in Nature Medicine veröffentlichten Studie entwickelten Forscher einen Deep-Learning-Ansatz zur Tumorursprungsdifferenzierung mithilfe der zytologischen Histologie (TORCH), der Bösartigkeit erkennt und den Tumorursprung bei Hydrothorax und Aszites anhand zytologischer Bilder von 57.220 Patienten vorhersagt.

Hintergrund

Bei Krebserkrankungen unbekannter Primärlokalisation (CUP) handelt es sich um bösartige Erkrankungen, die histopathologisch als Metastasen diagnostiziert werden, deren Ursprung jedoch mit herkömmlichen diagnostischen Methoden nicht bestimmt werden kann.

Diese Erkrankungen manifestieren sich häufig als seröse Ergüsse und haben trotz Kombinationschemotherapien eine schlechte Prognose. Die Immunhistochemie sagt den wahrscheinlichsten Ursprung von CUP voraus; Allerdings können Forscher einige Fälle mithilfe von Immunfärbe-Cocktails erkennen. Die genaue Identifizierung primärer Lokalisationen ist entscheidend für eine erfolgreiche und maßgeschneiderte Therapie.

Über die Studie

In der vorliegenden Studie stellen Forscher TORCH vor, einen Deep-Learning-Algorithmus zur Identifizierung der Krebsentstehung auf der Grundlage zytologischer Bilder von Aszites und Hydrothorax.

Die Forscher trainierten das Modell mithilfe von vier unabhängigen tiefen neuronalen Netzen, die kombiniert wurden, um 12 verschiedene Modelle zu erstellen. Anhand zytologischer Bilder versuchten die Forscher, ein auf künstlicher Intelligenz basierendes Diagnosemodell zur Vorhersage der Tumorentstehung bei Personen mit bösartigen Erkrankungen und Aszites- oder Hydrothoraxmetastasen zu entwickeln.

Sie testeten und bestätigten die Leistung des KI-Systems anhand von zytologischen Abstrichinstanzen aus mehreren unabhängigen Testsätzen.

Von Juni 2010 bis Oktober 2023 sammelten die Forscher im Rahmen ihrer Ausbildung Daten aus 90.572 zytologischen Abstrichbildern von 76.183 Krebspatienten in vier großen Institutionen (Zhengzhou University First Hospital, Tianjin Medical University Cancer Institute and Hospital, Yantai Yuhuangding Hospital und Suzhou University First Hospital). Daten.

Atemwegserkrankungen stellten den höchsten Prozentsatz (30 %, 17.058 Patienten) der malignen Gruppierungen dar.

Karzinome machten 57 % der Fälle von Aszites und Hydrothorax aus, wobei Adenokarzinome die häufigste Gruppe darstellten (47 %, 27.006 Patienten). Nur 0,6 % der Plattenepithelkarzinome metastasierten zu Aszites oder Pleuraerguss (n=346).

Um die Generalisierbarkeit und Zuverlässigkeit von TORCH zu testen, schlossen die Forscher 4.520 aufeinanderfolgende Patienten aus dem Tianjin Cancer Hospital (der Tianjin-P-Datensatz) und 12.467 aus dem Yantai Hospital (der Yantai-Datensatz) ein.

Sie wählten nach dem Zufallsprinzip 496 zytologische Abstrichbilder aus drei internen Testsätzen aus, um zu untersuchen, ob TORCH jungen Pathologen dabei helfen könnte, ihre Leistung zu verbessern.

Sie verglichen die Leistung der Junior-Pathologen bei der Verwendung von TORCH mit früheren manuellen Interpretationsergebnissen sowohl für Junior- als auch für ältere Pathologen.

Forscher verwendeten Aufmerksamkeits-Heatmaps, um ein KI-Modell zur Krebserkennung in 42.682 zytologischen Abstrichbildern von Patienten in drei großen tertiären Überweisungskrankenhäusern zu interpretieren. Das Modell wurde in realen Szenarien unter Verwendung externer Testdatensätze bewertet, die 495 Fotos umfassten.

Ziel der Studie ist es, die diagnostischen Fähigkeiten junger Pathologen mithilfe von TORCH zu verbessern. Ablationstests bewerteten die Vorteile der Einbeziehung klinischer Merkmale in die Vorhersage des Tumorursprungs und untersuchten den Zusammenhang zwischen klinischen Faktoren und zytologischen Bildern.

Ergebnisse

Das TORCH-Modell, eine neuartige Technik zur Vorhersage von Tumorursprüngen bei der Krebsdiagnose und -lokalisation, wurde anhand verschiedener Datensätze evaluiert.

Die Ergebnisse zeigten, dass TORCH insgesamt einen mikrogemittelten AUROC-Wert (One-versus-Rest-Area-under-the-Curve) von 0,97 aufwies, mit einer Top-1-Genauigkeit von 83 % und einer Top-3-Genauigkeit von 99 %. Dies verbesserte die Vorhersageeffizienz von TORCH im Vergleich zu Pathologen und steigerte insbesondere die Diagnoseergebnisse junger Pathologen.

Patienten mit Krebserkrankungen unbekannten Ursprungs, deren erster Behandlungsansatz mit den von TORCH geschätzten Ursprüngen übereinstimmte, hatten eine höhere Gesamtüberlebensrate als diejenigen, die eine diskordante Therapie erhielten. Das Modell zeigte eine relativ zuverlässige Generalisierung und Kompatibilität.

In Verbindung mit fünf Testsätzen erreichte TORCH eine Top-1-Genauigkeit von 83 %, eine Top-2-Genauigkeit von 96 % und eine Top-3-Genauigkeit von 99 %. Es ergaben sich auch ähnliche mikrogemittelte Eins-gegen-Rest-AUROC-Bewertungen in den Gruppen mit niedriger und hoher Sicherheit.

Die Studie umfasste 391 Krebspatienten, von denen 276 konkordant und 115 diskordant waren. Nach der Nachbeobachtungszeit starben 42 % der Patienten, wobei 37 % konkordante Patienten und 53 % diskordante Patienten waren. Die Überlebensanalyse ergab, dass konkordante Patienten ein deutlich höheres Gesamtüberleben hatten als diskordante.

Schlechte Abstrichvorbereitung und Probleme mit der Bildqualität wie Schnittfalten, Verunreinigungen oder Überfärbung können zur AI-Überdiagnose bei Bauchspeicheldrüsenkrebs führen. Forscher können diese Mängel durch eine sorgfältige manuelle Verarbeitung während des gesamten Datenprüfungsschritts beheben.

Im Fall von Darmkrebs nahm der Schleim den größten Teil der Bildfläche ein, was möglicherweise dazu geführt hat, dass das KI-Modell diesen kritischen Aspekt bei der Diagnose ignoriert hat.

Abschluss

Basierend auf den Studienergebnissen hat sich das TORCH-Modell, ein KI-Tool, in der klinischen Praxis als vielversprechend für die Vorhersage des primären Systemursprungs bösartiger Zellen in Hydrothorax und Aszites erwiesen.

Es kann zwischen bösartigen Tumoren und gutartigen Erkrankungen unterscheiden, Krebsquellen lokalisieren und bei der klinischen Entscheidungsfindung bei Patienten mit Krebserkrankungen unbekannter Ursache helfen. Das Modell schnitt in fünf Testreihen gut ab und übertraf vier Pathologen.

Es kann Onkologen bei der Auswahl einer Therapie für nicht identifizierte Personen mit CUP, hauptsächlich Adenokarzinom, unterstützen, die mit empirischen Breitband-Chemotherapieschemata behandelt werden.

Quellen: