Nový nástroj umělé inteligence TORCH úspěšně identifikuje příčiny rakoviny v neznámých primárních případech

Nový nástroj umělé inteligence TORCH úspěšně identifikuje příčiny rakoviny v neznámých primárních případech

V nedávné studii publikované v Nature Medicine výzkumníci vyvinuli přístup hlubokého učení k diferenciaci původu nádorů pomocí cytologické histologie (TORCH), která detekuje malignitu a předpovídá vznik nádoru v hydrothoraxu a ascitu pomocí cytologických snímků od 57 220 pacientů.

pozadí

Karcinomy neznámé primární lokalizace (CUP) jsou maligní onemocnění, která jsou histopatologicky diagnostikována jako metastázy, jejichž původ však nelze určit konvenčními diagnostickými metodami.

Tato onemocnění se často projevují jako serózní výpotky a mají špatnou prognózu navzdory kombinované chemoterapii. Imunohistochemie předpovídá nejpravděpodobnější původ CUP; Vědci však mohou některé případy odhalit pomocí imunobarvicích koktejlů. Přesná identifikace primárních lokalizací je zásadní pro úspěšnou a přizpůsobenou terapii.

O studiu

V této studii vědci představují TORCH, algoritmus hlubokého učení pro identifikaci rozvoje rakoviny na základě cytologických snímků ascitu a hydrothoraxu.

Výzkumníci trénovali model pomocí čtyř nezávislých hlubokých neuronových sítí, které byly spojeny a vytvořily 12 různých modelů. Pomocí cytologických snímků se vědci pokusili vyvinout diagnostický model založený na umělé inteligenci, který by předpovídal vývoj nádoru u lidí s malignitami a ascitem nebo metastázami hydrothoraxu.

Testovali a potvrdili výkon systému AI pomocí instancí cytologických výtěrů z několika nezávislých testovacích sad.

Od června 2010 do října 2023 výzkumníci v rámci svého školení shromáždili data z 90 572 snímků cytologických stěrů od 76 183 pacientů s rakovinou ve čtyřech hlavních institucích (první nemocnice Zhengzhou University, institut a nemocnice lékařské univerzity v Tianjinu, nemocnice Yantai Yuhuangding a první nemocnice v Suzhou). Data.

Respirační onemocnění představovala nejvyšší procento (30 %, 17 058 pacientů) z maligních skupin.

Karcinomy tvořily 57 % případů ascitu a hydrothoraxu, přičemž nejčastější skupinou byly adenokarcinomy (47 %, 27 006 pacientů). Pouze 0,6 % spinocelulárních karcinomů metastázovalo do ascitu nebo pleurálního výpotku (n=346).

K testování zobecnitelnosti a spolehlivosti TORCH výzkumníci zahrnuli 4 520 po sobě jdoucích pacientů z nemocnice Tianjin Cancer Hospital (datový soubor Tianjin-P) a 12 467 z nemocnice Yantai (datový soubor Yantai).

Náhodně vybrali 496 cytologických snímků ze tří interních testovacích sad, aby zjistili, zda TORCH může pomoci mladým patologům zlepšit jejich výkon.

Porovnali výkon mladších patologů pomocí TORCH s předchozími výsledky manuální interpretace u mladších i starších patologů.

Výzkumníci použili teplotní mapy pozornosti k interpretaci modelu umělé inteligence pro detekci rakoviny ve 42 682 snímcích cytologických stěrů od pacientů ve třech velkých doporučujících nemocnicích. Model byl vyhodnocen v reálných scénářích pomocí externích testovacích datových sad, které zahrnovaly 495 fotografií.

Cílem studie je zlepšit diagnostické dovednosti mladých patologů pomocí TORCH. Ablační testování hodnotilo přínosy začlenění klinických znaků do predikce původu nádoru a zkoumalo souvislost mezi klinickými faktory a cytologickými obrazy.

Výsledky

Model TORCH, nová technika pro predikci původu nádoru v diagnostice a lokalizaci rakoviny, byl hodnocen na různých souborech dat.

Výsledky ukázaly, že TORCH měl celkovou hodnotu mikroprůměru jedna versus klidová plocha pod křivkou (AUROC) 0,97, s přesností top-1 83 % a top-3 přesností 99 %. Tím se zlepšila predikční účinnost TORCH ve srovnání s patology a zejména se zvýšily diagnostické výsledky mladých patologů.

Pacienti s rakovinou neznámého původu, jejichž počáteční léčebný přístup byl v souladu s původem odhadnutým pomocí TORCH, měli vyšší celkovou míru přežití než ti, kteří dostávali nesouhlasnou léčbu. Model vykazoval poměrně spolehlivé zobecnění a kompatibilitu.

V kombinaci s pěti testovacími sadami dosáhl TORCH nejvyšší přesnosti 83 %, nejvyšší přesnosti 2 96 % a nejvyšší přesnosti 3 99 %. Ve skupinách s nízkou a vysokou jistotou byly také podobné mikroprůměrné skóre AUROC jedna versus zbytek.

Studie zahrnovala 391 pacientů s rakovinou, z toho 276 souhlasných a 115 nesouhlasných. Po období sledování zemřelo 42 % pacientů, z toho 37 % souhlasných pacientů a 53 % pacientů neshodných. Analýza přežití odhalila, že souhlasní pacienti měli významně vyšší celkové přežití než nesouhlasní pacienti.

Špatná příprava nátěru a problémy s kvalitou obrazu, jako jsou oříznuté záhyby, kontaminace nebo nadměrné zabarvení, mohou vést k nadměrné diagnostice rakoviny slinivky AI. Výzkumníci mohou tyto nedostatky odstranit pečlivým ručním zpracováním během kroku kontroly dat.

V případě rakoviny tlustého střeva zabíral hlen většinu plochy snímku, což mohlo způsobit, že model AI tento kritický aspekt v diagnóze ignoroval.

Diplom

Na základě výsledků studie se model TORCH, nástroj AI, v klinické praxi ukázal jako slibný pro predikci primárního systémového původu maligních buněk v hydrothoraxu a ascitu.

Dokáže rozlišit mezi zhoubnými nádory a benigními onemocněními, lokalizovat zdroje rakoviny a pomoci při klinickém rozhodování u pacientů s rakovinou neznámého původu. Model fungoval dobře v pěti sadách testů a překonal čtyři patology.

Onkologům může pomoci při výběru terapie pro neidentifikované jedince s CUP, především adenokarcinomem, léčených širokospektrálními empirickými režimy chemoterapie.

Zdroje: