Nyt AI-værktøj TORCH identificerer med succes årsager til kræft i ukendte primære tilfælde

Nyt AI-værktøj TORCH identificerer med succes årsager til kræft i ukendte primære tilfælde

I en nylig undersøgelse offentliggjort i Nature Medicine udviklede forskere en dyb læringstilgang til differentiering af tumoroprindelse ved hjælp af cytologisk histologi (TORCH), der detekterer malignitet og forudsiger tumoroprindelse i hydrothorax og ascites ved hjælp af cytologiske billeder fra 57.220 patienter.

baggrund

Kræfter af ukendt primær lokalisering (CUP) er maligne sygdomme, der diagnosticeres histopatologisk som metastaser, men hvis oprindelse ikke kan bestemmes ved hjælp af konventionelle diagnostiske metoder.

Disse sygdomme viser sig ofte som serøse effusioner og har en dårlig prognose trods kombinationskemoterapi. Immunhistokemi forudsiger den mest sandsynlige oprindelse af CUP; Forskere kan dog opdage nogle tilfælde ved hjælp af immunfarvningscocktails. Den præcise identifikation af primære lokaliteter er afgørende for vellykket og skræddersyet terapi.

Om studiet

I denne undersøgelse præsenterer forskere TORCH, en deep learning-algoritme til at identificere kræftudvikling baseret på cytologiske billeder af ascites og hydrothorax.

Forskerne trænede modellen ved hjælp af fire uafhængige dybe neurale netværk, som blev kombineret til at skabe 12 forskellige modeller. Ved hjælp af cytologiske billeder forsøgte forskerne at udvikle en kunstig intelligens-baseret diagnostisk model til at forudsige tumorudvikling hos mennesker med maligniteter og ascites eller hydrothorax-metastaser.

De testede og bekræftede AI-systemets ydeevne ved hjælp af cytologiske podninger fra flere uafhængige testsæt.

Fra juni 2010 til oktober 2023 indsamlede forskere data fra 90.572 cytologiske udstrygningsbilleder fra 76.183 kræftpatienter på fire store institutioner (Zhengzhou University First Hospital, Tianjin Medical University Cancer Institute og Hospital, Yantai Yuhuangding Hospital og Suzhou University First Hospital) som en del af deres uddannelse. Data.

Luftvejssygdomme repræsenterede den højeste procentdel (30 %, 17.058 patienter) af maligne grupperinger.

Carcinomer udgjorde 57 % af tilfældene af ascites og hydrothorax, hvor adenocarcinomer var den mest almindelige gruppe (47 %, 27.006 patienter). Kun 0,6 % af planocellulært karcinomer metastaserede til ascites eller pleural effusion (n=346).

For at teste generaliserbarheden og pålideligheden af ​​TORCH inkluderede forskere 4.520 på hinanden følgende patienter fra Tianjin Cancer Hospital (Tianjin-P-datasættet) og 12.467 fra Yantai Hospital (Yantai-datasættet).

De udvalgte tilfældigt 496 cytologismear-billeder fra tre interne testsæt for at undersøge, om TORCH kunne hjælpe unge patologer med at forbedre deres præstationer.

De sammenlignede yngre patologers præstationer ved brug af TORCH med tidligere manuelle fortolkningsresultater for både yngre og seniorpatologer.

Forskere brugte opmærksomhedsvarmekort til at fortolke en AI-model til cancerdetektion i 42.682 cytologiske udstrygningsbilleder fra patienter på tre store tertiære henvisningshospitaler. Modellen blev evalueret i virkelige scenarier ved hjælp af eksterne testdatasæt, der omfattede 495 fotos.

Formålet med undersøgelsen er at forbedre de diagnostiske færdigheder hos unge patologer, der bruger TORCH. Ablationstest evaluerede fordelene ved at inkorporere kliniske træk ved forudsigelse af tumoroprindelse og undersøgte sammenhængen mellem kliniske faktorer og cytologiske billeder.

Resultater

TORCH-modellen, en ny teknik til at forudsige tumoroprindelse i cancerdiagnose og lokalisering, blev evalueret på forskellige datasæt.

Resultaterne viste, at TORCH havde en samlet mikrogennemsnitlig et-versus-hvileområde-under-kurven (AUROC) værdi på 0,97, med en top-1-nøjagtighed på 83 % og en top-3-nøjagtighed på 99 %. Dette forbedrede forudsigelseseffektiviteten af ​​TORCH sammenlignet med patologer og øgede især de diagnostiske resultater for unge patologer.

Patienter med kræftsygdomme af ukendt oprindelse, hvis indledende behandlingsmetode var i overensstemmelse med oprindelsen estimeret af TORCH, havde en højere samlet overlevelsesrate end dem, der modtog uoverensstemmende behandling. Modellen viste relativt pålidelig generalisering og kompatibilitet.

Kombineret med fem testsæt opnåede TORCH en top-1-nøjagtighed på 83%, en top-2-nøjagtighed på 96% og en top-3-nøjagtighed på 99%. Der var også lignende mikrogennemsnit af en-versus-hvile AUROC-score i lav- og højsikkerhedsgrupperne.

Undersøgelsen omfattede 391 cancerpatienter, hvoraf 276 var konkordante og 115 var disharmoniske. Efter opfølgningsperioden døde 42 % af patienterne, hvoraf 37 % var konkordante patienter og 53 % var discordante patienter. Overlevelsesanalyse afslørede, at konkordante patienter havde signifikant højere samlet overlevelse end disharmoniske.

Dårlig udstrygningsforberedelse og billedkvalitetsproblemer, såsom afskårne folder, kontaminering eller overfarvning, kan føre til AI-overdiagnosticering af bugspytkirtelkræft. Forskere kan løse disse mangler gennem omhyggelig manuel behandling gennem hele datagennemgangstrinnet.

I tilfælde af tyktarmskræft optog slim det meste af billedområdet, hvilket kan have fået AI-modellen til at ignorere dette kritiske aspekt i diagnosen.

Eksamensbevis

Baseret på undersøgelsesresultaterne har TORCH-modellen, et AI-værktøj, vist lovende i klinisk praksis til at forudsige den primære systemoprindelse af maligne celler i hydrothorax og ascites.

Det kan skelne mellem ondartede tumorer og godartede sygdomme, lokalisere kræftkilder og hjælpe med klinisk beslutningstagning hos patienter med kræftformer af ukendt oprindelse. Modellen klarede sig godt i fem sæt test og overgik fire patologer.

Det kan hjælpe onkologer med at vælge terapi til uidentificerede personer med CUP, primært adenokarcinom, behandlet med bredspektrede empiriske kemoterapiregimer.

Kilder: