Novi AI alat TORCH” uspješno identificira uzroke raka u nepoznatim primarnim slučajevima

Novi AI alat TORCH” uspješno identificira uzroke raka u nepoznatim primarnim slučajevima

U nedavnoj studiji objavljenoj u časopisu Nature Medicine, istraživači su razvili pristup dubokog učenja diferencijaciji podrijetla tumora pomoću citološke histologije (TORCH) koja otkriva zloćudnost i predviđa podrijetlo tumora u hidrotoraksu i ascitesu koristeći citološke slike 57 220 pacijenata.

pozadina

Karcinomi nepoznate primarne lokalizacije (KUP) su maligne bolesti koje se histopatološki dijagnosticiraju kao metastaze, ali čije se podrijetlo ne može utvrditi konvencionalnim dijagnostičkim metodama.

Ove se bolesti često manifestiraju kao serozni izljevi i imaju lošu prognozu unatoč kombiniranoj kemoterapiji. Imunohistokemija predviđa najvjerojatnije porijeklo CUP-a; Međutim, istraživači mogu otkriti neke slučajeve pomoću koktela za imunološko bojenje. Precizna identifikacija primarnih lokalizacija ključna je za uspješnu i prilagođenu terapiju.

O studiju

U ovoj studiji istraživači predstavljaju TORCH, algoritam dubokog učenja za prepoznavanje razvoja raka na temelju citoloških slika ascitesa i hidrotoraksa.

Istraživači su uvježbali model koristeći četiri neovisne duboke neuronske mreže, koje su kombinirane kako bi stvorile 12 različitih modela. Koristeći citološke slike, istraživači su pokušali razviti dijagnostički model temeljen na umjetnoj inteligenciji za predviđanje razvoja tumora kod ljudi s malignim bolestima i metastazama ascitesa ili hidrotoraksa.

Testirali su i potvrdili performanse AI sustava koristeći instance citoloških briseva iz više neovisnih skupova testova.

Od lipnja 2010. do listopada 2023. istraživači su prikupili podatke iz 90.572 slike citoloških razmaza od 76.183 pacijenata oboljelih od raka u četiri glavne ustanove (Prva bolnica Sveučilišta Zhengzhou, Institut i bolnica za rak Medicinskog sveučilišta Tianjin, bolnica Yantai Yuhuangding i Prva bolnica Sveučilišta Suzhou) kao dio svoje obuke. Podaci.

Bolesti dišnog sustava predstavljale su najveći postotak (30%, 17.058 oboljelih) malignih grupacija.

Karcinomi su činili 57% slučajeva ascitesa i hidrotoraksa, a adenokarcinomi su bili najčešća skupina (47%, 27 006 bolesnika). Samo 0,6% karcinoma skvamoznih stanica metastaziralo je u ascites ili pleuralni izljev (n=346).

Kako bi testirali mogućnost generalizacije i pouzdanost TORCH-a, istraživači su uključili 4520 uzastopnih pacijenata iz bolnice za liječenje raka u Tianjinu (skup podataka Tianjin-P) i 12 467 iz bolnice Yantai (skup podataka Yantai).

Nasumično su odabrali 496 slika citoloških razmaza iz tri interna seta testova kako bi istražili može li TORCH pomoći mladim patolozima da poboljšaju svoju izvedbu.

Usporedili su učinak mlađih patologa koji koriste TORCH s prethodnim rezultatima ručnog tumačenja za mlađe i starije patologe.

Istraživači su upotrijebili toplinske karte pozornosti za tumačenje AI modela za otkrivanje raka u 42 682 slike citoloških razmaza pacijenata u tri velike tercijarne referentne bolnice. Model je procijenjen u scenarijima stvarnog svijeta korištenjem skupova vanjskih testnih podataka koji su uključivali 495 fotografija.

Cilj rada je unaprijediti dijagnostičke vještine mladih patologa korištenjem TORCH-a. Testiranje ablacije procijenilo je prednosti uključivanja kliničkih značajki u predviđanje podrijetla tumora i ispitalo povezanost između kliničkih čimbenika i citoloških slika.

Rezultati

Model TORCH, nova tehnika za predviđanje podrijetla tumora u dijagnozi i lokalizaciji raka, procijenjen je na različitim skupovima podataka.

Rezultati su pokazali da je TORCH imao ukupnu mikroprosječnu vrijednost jednog naspram područja mirovanja ispod krivulje (AUROC) od 0,97, s točnošću top-1 od 83% i točnošću top-3 od 99%. To je poboljšalo učinkovitost predviđanja TORCH-a u usporedbi s patolozima i posebno povećalo dijagnostičke rezultate mladih patologa.

Pacijenti s karcinomom nepoznatog podrijetla čiji je početni pristup liječenju bio u skladu s podrijetlom koje je procijenio TORCH imali su višu ukupnu stopu preživljenja od onih koji su primali neskladnu terapiju. Model je pokazao relativno pouzdanu generalizaciju i kompatibilnost.

U kombinaciji s pet testnih setova, TORCH je postigao top-1 točnost od 83%, top-2 točnost od 96% i top-3 točnost od 99%. Također su postojali slični mikroprosječni rezultati AUROC-a jedan naspram ostataka u skupinama niske i visoke sigurnosti.

Istraživanjem je sudjelovao 391 pacijent oboljelih od raka, od kojih je 276 bilo konkordantno, a 115 neskladno. Nakon razdoblja praćenja umrlo je 42% bolesnika, od čega 37% konkordantnih bolesnika i 53% diskordantnih bolesnika. Analiza preživljenja pokazala je da su konkordantni pacijenti imali značajno veće ukupno preživljenje od diskordantnih.

Loša priprema razmaza i problemi s kvalitetom slike kao što su posjekotine, kontaminacija ili prebojavanje mogu dovesti do pretjerane dijagnoze raka gušterače umjetnom inteligencijom. Istraživači se mogu pozabaviti ovim nedostacima pažljivom ručnom obradom tijekom cijelog koraka pregleda podataka.

U slučaju raka debelog crijeva, sluz je zauzimala većinu područja slike, što je moglo uzrokovati da AI model zanemari ovaj kritični aspekt u dijagnozi.

Diploma

Na temelju rezultata studije, model TORCH, AI alat, obećava u kliničkoj praksi za predviđanje primarnog sustava podrijetla malignih stanica u hidrotoraksu i ascitesu.

Može napraviti razliku između malignih tumora i benignih bolesti, locirati izvore raka i pomoći u donošenju kliničkih odluka kod pacijenata s karcinomom nepoznatog podrijetla. Model je pokazao dobre rezultate u pet setova testova i nadmašio četiri patologa.

Može pomoći onkolozima u odabiru terapije za neidentificirane osobe s CUP-om, primarno adenokarcinomom, liječenim empirijskim režimima kemoterapije širokog spektra.

Izvori: