Uus tehisintellekti tööriist TORCH tuvastab edukalt vähi põhjused teadmata esmastel juhtudel

Uus tehisintellekti tööriist TORCH tuvastab edukalt vähi põhjused teadmata esmastel juhtudel

Hiljutises ajakirjas Nature Medicine avaldatud uuringus töötasid teadlased välja süvaõppe lähenemisviisi kasvaja päritolu diferentseerimisele, kasutades tsütoloogilist histoloogiat (TORCH), mis tuvastab pahaloomulise kasvaja ja ennustab kasvaja päritolu hüdrotooraksis ja astsiidis, kasutades 57 220 patsiendi tsütoloogilisi pilte.

taustal

Tundmatu esmase asukohaga vähid (CUP) on pahaloomulised haigused, mis diagnoositakse histopatoloogiliselt metastaasidena, kuid mille päritolu ei ole võimalik kindlaks teha tavapäraste diagnostikameetoditega.

Need haigused avalduvad sageli seroossete efusioonidena ja neil on halb prognoos hoolimata kombineeritud keemiaravist. Immunohistokeemia ennustab CUP-i kõige tõenäolisemat päritolu; Teadlased võivad siiski tuvastada mõningaid juhtumeid immunovärvimise kokteilide abil. Peamiste asukohtade täpne kindlaksmääramine on eduka ja kohandatud ravi jaoks ülioluline.

Uuringu kohta

Käesolevas uuringus tutvustavad teadlased TORCH-i, sügavat õppimisalgoritmi vähi arengu tuvastamiseks, mis põhineb astsiidi ja hüdrotooraksi tsütoloogilistel piltidel.

Teadlased koolitasid mudelit nelja sõltumatu sügava närvivõrgu abil, mis ühendati 12 erineva mudeli loomiseks. Tsütoloogilisi pilte kasutades püüdsid teadlased välja töötada tehisintellektil põhineva diagnostilise mudeli, et ennustada kasvaja arengut pahaloomuliste kasvajate ja astsiidi või hüdrotooraksi metastaasidega inimestel.

Nad testisid ja kinnitasid AI-süsteemi toimivust, kasutades mitmest sõltumatust testikomplektist võetud tsütoloogiatampooniproove.

2010. aasta juunist 2023. aasta oktoobrini kogusid teadlased oma koolituse raames andmeid 90 572 tsütoloogilise määrdumise pildist 76 183 vähipatsiendilt neljas suuremas asutuses (Zhengzhou ülikooli esimene haigla, Tianjini meditsiiniülikooli vähiinstituut ja haigla, Yantai Yuhuangdingi haigla ja Suzhou ülikooli esimene haigla). Andmed.

Hingamisteede haigused moodustasid pahaloomuliste kasvajate rühmadest suurima protsendi (30%, 17 058 patsienti).

Kartsinoomid moodustasid 57% astsiidi ja hüdrotooraksi juhtudest, kusjuures kõige levinum rühm oli adenokartsinoomid (47%, 27 006 patsienti). Ainult 0, 6% lamerakulistest kartsinoomidest metastaseerusid astsiidiks või pleuraefusiooniks (n = 346).

TORCHi üldistavuse ja usaldusväärsuse testimiseks kaasasid teadlased 4520 järjestikust patsienti Tianjini vähihaiglast (Tianjin-P andmestik) ja 12 467 patsienti Yantai haiglast (Yantai andmestik).

Nad valisid kolmest ettevõttesisesest testikomplektist juhuslikult 496 tsütoloogilise määrdumise pilti, et uurida, kas TORCH võib aidata noortel patoloogidel oma jõudlust parandada.

Nad võrdlesid noorempatoloogide jõudlust TORCHi abil varasemate käsitsi tõlgendamise tulemustega nii noorem- kui ka vanempatoloogide puhul.

Teadlased kasutasid tähelepanu soojuskaarte, et tõlgendada vähi tuvastamise tehisintellekti mudelit 42 682 tsütoloogilise määrdumise kujutises, mis on võetud kolme suure kolmanda astme haigla patsientidest. Mudelit hinnati reaalsetes stsenaariumides, kasutades väliseid testandmekogumeid, mis sisaldasid 495 fotot.

Uuringu eesmärk on parandada noorte patoloogide diagnostikaoskusi kasutades TORCH-i. Ablatsioonitestides hinnati kliiniliste tunnuste kaasamise eeliseid kasvaja päritolu ennustamisel ning uuriti seost kliiniliste tegurite ja tsütoloogiliste kujutiste vahel.

Tulemused

Erinevates andmekogumites hinnati TORCH mudelit, uudset meetodit kasvaja päritolu ennustamiseks vähi diagnoosimisel ja lokaliseerimisel.

Tulemused näitasid, et TORCH-i üldine mikrokeskmine üks-versus-rest-area-under-the-curve (AUROC) väärtus oli 0,97, top-1 täpsus oli 83% ja top-3 täpsus 99%. See parandas TORCHi prognoosimise efektiivsust võrreldes patoloogidega ja eriti suurendas noorte patoloogide diagnostilisi tulemusi.

Tundmatu päritoluga vähiga patsientidel, kelle esialgne raviviis oli kooskõlas TORCH-i hinnangulise päritoluga, oli kõrgem üldine elulemus kui neil, kes said erinevat ravi. Mudel näitas suhteliselt usaldusväärset üldistust ja ühilduvust.

Koos viie testikomplektiga saavutas TORCH top-1 täpsuse 83%, top-2 täpsuse 96% ja top-3 täpsuse 99%. Madala ja kõrge kindlusega rühmades olid ka sarnased mikrokeskmised üks versus puhka AUROC skoorid.

Uuringus osales 391 vähihaiget, kellest 276 olid sarnased ja 115 olid vastuolulised. Pärast jälgimisperioodi suri 42% patsientidest, kellest 37% olid samaaegsed patsiendid ja 53% ebakõlad patsiendid. Elulemusanalüüs näitas, et samaaegsetel patsientidel oli üldine elulemus oluliselt kõrgem kui vastuolulistel patsientidel.

Kehv määrdumise ettevalmistamine ja pildikvaliteedi probleemid, nagu lõigatud kortsud, saastumine või ülevärvimine, võivad viia pankreasevähi AI ülediagnoosini. Teadlased saavad need puudused kõrvaldada hoolika käsitsi töötlemise abil kogu andmete läbivaatamise etapis.

Käärsoolevähi korral hõivas lima suurema osa pildialast, mistõttu AI mudel võis seda diagnoosimisel seda kriitilist aspekti ignoreerida.

Diplom

Uuringutulemuste põhjal on TORCH-mudel, AI-tööriist, näidanud kliinilises praktikas lubadusi hüdrotooraksi ja astsiidi pahaloomuliste rakkude esmase süsteemi päritolu ennustamiseks.

See suudab eristada pahaloomulisi kasvajaid healoomulistest haigustest, leida vähiallikaid ja aidata kliiniliste otsuste tegemisel teadmata päritoluga vähiga patsientidel. Mudel toimis hästi viies testikomplektis ja edestas nelja patoloogi.

See võib aidata onkoloogidel valida ravi CUP-i, peamiselt adenokartsinoomiga, laia spektriga empiiriliste keemiaravi režiimidega ravitavate tundmatute isikute jaoks.

Allikad: