Uusi tekoälytyökalu TORCH tunnistaa onnistuneesti syövän syitä tuntemattomissa ensisijaisissa tapauksissa

Uusi tekoälytyökalu TORCH tunnistaa onnistuneesti syövän syitä tuntemattomissa ensisijaisissa tapauksissa

Äskettäin Nature Medicine -lehdessä julkaistussa tutkimuksessa tutkijat kehittivät syvän oppimisen lähestymistavan kasvaimen alkuperän erilaistumiseen käyttämällä sytologista histologiaa (TORCH), joka havaitsee pahanlaatuiset kasvaimet ja ennustaa kasvaimen alkuperän hydrothoraxissa ja askiteksessa käyttämällä sytologisia kuvia 57 220 potilaalta.

tausta

Tuntemattoman primaarisen sijainnin syövät (CUP) ovat pahanlaatuisia sairauksia, jotka diagnosoidaan histopatologisesti etäpesäkkeinä, mutta joiden alkuperää ei voida määrittää perinteisillä diagnostisilla menetelmillä.

Nämä sairaudet ilmenevät usein seroosina effuusioina ja niillä on huono ennuste yhdistelmäkemoterapiasta huolimatta. Immunohistokemia ennustaa CUP:n todennäköisimmän alkuperän; Tutkijat voivat kuitenkin havaita joitain tapauksia käyttämällä immunovärjäyscocktaileja. Ensisijaisten sijaintien tarkka tunnistaminen on ratkaisevan tärkeää onnistuneen ja räätälöidyn hoidon kannalta.

Tietoja tutkimuksesta

Tässä tutkimuksessa tutkijat esittelevät TORCH:n, syvän oppimisalgoritmin syövän kehittymisen tunnistamiseksi askiteksen ja vesirintakiven sytologisten kuvien perusteella.

Tutkijat kouluttivat mallia käyttämällä neljää itsenäistä syvää hermoverkkoa, jotka yhdistettiin 12 eri malliksi. Sytologisten kuvien avulla tutkijat yrittivät kehittää tekoälyyn perustuvan diagnostisen mallin ennustaakseen kasvainten kehittymistä ihmisillä, joilla on pahanlaatuisia kasvaimia ja askites tai vesirintakehän etäpesäkkeitä.

He testasivat ja vahvistivat AI-järjestelmän suorituskyvyn käyttämällä sytologisia vanupuikkoja useista riippumattomista testisarjoista.

Kesäkuusta 2010 lokakuuhun 2023 tutkijat keräsivät tietoja 90 572 sytologianäytteestä 76 183 syöpäpotilaalta neljässä suuressa laitoksessa (Zhengzhou University First Hospital, Tianjin Medical University Cancer Institute and Hospital, Yantai Yuhuangding Hospital ja Suzhou University First Hospital) osana koulutustaan. Data.

Hengityselinten sairaudet edustivat eniten (30 %, 17 058 potilasta) pahanlaatuisista ryhmistä.

Karsinoomat aiheuttivat 57 % askites- ja hydrothorax-tapauksista, ja adenokarsinoomat olivat yleisin ryhmä (47 %, 27 006 potilasta). Vain 0,6 % okasolusyövistä metastasoi askitekseksi tai pleuraeffuusioon (n = 346).

TORCH:n yleistettävyyden ja luotettavuuden testaamiseksi tutkijat ottivat mukaan 4 520 peräkkäistä potilasta Tianjinin syöpäsairaalasta (Tianjin-P-tietoaineisto) ja 12 467 potilasta Yantai-sairaalasta (Yantai-tietosarja).

He valitsivat satunnaisesti 496 sytologianäytteen kuvaa kolmesta talon sisäisestä testisarjasta tutkiakseen, voisiko TORCH auttaa nuoria patologia parantamaan suorituskykyään.

He vertasivat nuorempien patologien suorituskykyä TORCH:n avulla aikaisempiin manuaalisiin tulkintotuloksiin sekä nuorempien että vanhempien patologien osalta.

Tutkijat käyttivät huomion lämpökarttoja tulkitakseen tekoälymallia syövän havaitsemiseksi 42 682 sytologisessa sivelynäytteessä kolmen suuren korkea-asteen sairaalan potilailta. Malli arvioitiin todellisissa skenaarioissa käyttämällä ulkoisia testiaineistoja, jotka sisälsivät 495 valokuvaa.

Tutkimuksen tavoitteena on parantaa nuorten patologien diagnostisia taitoja TORCH:n avulla. Ablaatiotestaus arvioi kliinisten piirteiden sisällyttämisen hyödyt kasvaimen alkuperän ennustamiseen ja tutki kliinisten tekijöiden ja sytologisten kuvien välistä yhteyttä.

Tulokset

TORCH-mallia, uutta tekniikkaa kasvainten alkuperän ennustamiseen syövän diagnosoinnissa ja lokalisoinnissa, arvioitiin erilaisilla tietoaineistoilla.

Tulokset osoittivat, että TORCH:n mikrokeskiarvoinen yksi-versus-lepoalue-alle-the-curve (AUROC) -arvo oli 0,97, top-1-tarkkuus oli 83 % ja top-3-tarkkuus 99 %. Tämä paransi TORCH:n ennustetehokkuutta patologiin verrattuna ja lisäsi erityisesti nuorten patologien diagnostisia tuloksia.

Potilailla, joilla oli tuntematonta alkuperää oleva syöpi ja joiden alkuperäinen hoitomenetelmä vastasi TORCH:n arvioimaa alkuperää, oli korkeampi kokonaiseloonjäämisaste kuin niillä, jotka saivat ristiriitaista hoitoa. Malli osoitti suhteellisen luotettavaa yleistystä ja yhteensopivuutta.

Yhdessä viiden testisarjan kanssa TORCH saavutti huippuluokan 83 prosentin tarkkuuden, top 2 -tarkkuuden 96 prosenttia ja parhaan 3 tarkkuuden 99 prosenttia. Myös alhaisen ja korkean varmuuden ryhmissä oli samanlaisia ​​mikrokeskiarvoisia yksi vs. lepo AUROC-pisteitä.

Tutkimukseen osallistui 391 syöpäpotilasta, joista 276 oli samanlaisia ​​ja 115 oli ristiriitaisia. Seurantajakson jälkeen 42 % potilaista kuoli, joista 37 % oli samankaltaisia ​​potilaita ja 53 % ristiriitaisia ​​potilaita. Eloonjäämisanalyysi paljasti, että samankaltaisilla potilailla oli merkittävästi korkeampi kokonaiseloonjääminen kuin ristiriitaisilla potilailla.

Huono sivelyvalmisteen valmistelu ja kuvanlaatuongelmat, kuten rypyt, kontaminaatio tai ylivärjäys, voivat johtaa haimasyövän ylidiagnosointiin. Tutkijat voivat korjata nämä puutteet huolellisella manuaalisella käsittelyllä koko tietojen tarkistusvaiheen ajan.

Paksusuolisyövän tapauksessa lima vei suurimman osan kuva-alueesta, mikä saattoi saada tekoälymallin huomioimaan tämän kriittisen näkökohdan diagnoosissa.

Diplomi

Tutkimustulosten perusteella TORCH-malli, tekoälytyökalu, on osoittanut lupaavaa kliinisessä käytännössä ennustaa pahanlaatuisten solujen ensisijaisen systeemisen alkuperän hydrothoraxissa ja askitessa.

Se voi erottaa pahanlaatuiset kasvaimet hyvänlaatuisista sairauksista, paikantaa syövän lähteitä ja auttaa kliinisessä päätöksenteossa potilailla, joilla on tuntematonta alkuperää oleva syöpi. Malli menestyi hyvin viidessä testisarjassa ja ylitti neljä patologia.

Se voi auttaa onkologeja valitsemaan hoitoa tunnistamattomille henkilöille, joilla on CUP, ensisijaisesti adenokarsinooma ja joita hoidetaan laajakirjoisilla empiirisellä kemoterapia-ohjelmalla.

Lähteet: