Az új TORCH” mesterséges intelligencia eszköz sikeresen azonosítja a rák okait ismeretlen elsődleges esetekben

Az új TORCH” mesterséges intelligencia eszköz sikeresen azonosítja a rák okait ismeretlen elsődleges esetekben

A Nature Medicine-ben nemrég megjelent tanulmányban a kutatók mély tanulási megközelítést dolgoztak ki a tumor eredetének differenciálására citológiai szövettan (TORCH) segítségével, amely kimutatja a rosszindulatú daganatokat, és megjósolja a tumor eredetét hidrothoraxban és ascitesben 57 220 beteg citológiai képeinek felhasználásával.

háttér

Az ismeretlen elsődleges lokalizációjú daganatok (CUP) olyan rosszindulatú betegségek, amelyeket kórszövettanilag metasztázisként diagnosztizálnak, de eredete hagyományos diagnosztikai módszerekkel nem állapítható meg.

Ezek a betegségek gyakran savós effúzióként nyilvánulnak meg, és a kombinált kemoterápia ellenére rossz prognózisúak. Az immunhisztokémia előrejelzi a CUP legvalószínűbb eredetét; A kutatók azonban kimutathatnak bizonyos eseteket immunfestő koktélokkal. Az elsődleges helyszínek pontos meghatározása kulcsfontosságú a sikeres és személyre szabott terápia szempontjából.

A tanulmányról

Jelen tanulmányban a kutatók bemutatják a TORCH-t, egy mély tanulási algoritmust a rák kialakulásának azonosítására az ascites és a hydrothorax citológiai képei alapján.

A kutatók négy független mély neurális hálózat segítségével képezték ki a modellt, amelyeket kombinálva 12 különböző modellt hoztak létre. A kutatók citológiai felvételek segítségével megpróbáltak mesterséges intelligencián alapuló diagnosztikai modellt kidolgozni, hogy előre jelezzék a daganatok kialakulását rosszindulatú daganatokban, ascitesben vagy hidrothorax metasztázisban szenvedőkben.

Több független tesztkészletből származó citológiai minták segítségével tesztelték és erősítették meg az AI-rendszer teljesítményét.

2010 júniusa és 2023 októbere között a kutatók 76 183 rákos beteg 90 572 citológiai kenet képéből gyűjtöttek adatokat négy nagy intézményben (Zhengzhou Egyetemi Első Kórház, Tiencsin Orvostudományi Egyetem Rákkutató Intézet és Kórház, Yantai Yuhuangding Kórház és Suzhou Egyetemi Első Kórház) képzésük részeként. Adat.

A légúti betegségek a legmagasabb százalékot (30%, 17 058 beteg) képviselték a rosszindulatú csoportok között.

A karcinómák tették ki az ascites és a hydrothorax eseteinek 57%-át, az adenokarcinómák a leggyakoribb csoport (47%, 27 006 beteg). A laphámsejtes karcinómák mindössze 0,6%-a metasztatizált ascitessé vagy pleurális folyadékgyülemté (n=346).

A TORCH általánosíthatóságának és megbízhatóságának tesztelésére a kutatók 4520 egymást követő beteget vontak be a Tianjin Cancer Hospitalból (a Tianjin-P adatkészlet) és 12 467 beteget a Yantai Kórházból (a Yantai adatkészlet).

Véletlenszerűen választottak ki 496 citológiai kenet képet három házon belüli tesztkészletből, hogy megvizsgálják, vajon a TORCH segíthet-e a fiatal patológusoknak teljesítményük javításában.

Összehasonlították a junior patológusok teljesítményét a TORCH használatával a korábbi manuális értelmezési eredményekkel mind a junior, mind a senior patológusok esetében.

A kutatók figyelmi hőtérképek segítségével értelmezték a rák kimutatására szolgáló mesterséges intelligencia-modellt 42 682 citológiai kenet képében, amelyek három nagy, felsőfokú beutaló kórházban találhatók. A modellt valós forgatókönyvek alapján értékelték ki külső tesztadatkészletek segítségével, amelyek 495 fényképet tartalmaztak.

A tanulmány célja a fiatal patológusok diagnosztikai képességeinek fejlesztése a TORCH használatával. Az ablációs tesztek értékelték a klinikai jellemzők beépítésének előnyeit a tumor eredetének előrejelzésében, és megvizsgálták a klinikai tényezők és a citológiai képek közötti összefüggést.

Eredmények

A TORCH-modellt, egy új módszert a daganatok eredetének előrejelzésére a rák diagnosztizálásában és lokalizációjában, különböző adatkészleteken értékelték.

Az eredmények azt mutatták, hogy a TORCH összesített mikroátlagos egy versus-pihenőterület görbe alatti (AUROC) értéke 0,97, a top-1 pontossága 83%, a legjobb 3 pontossága pedig 99%. Ez javította a TORCH előrejelzési hatékonyságát a patológusokhoz képest, és különösen növelte a fiatal patológusok diagnosztikai eredményeit.

Az ismeretlen eredetű rákos megbetegedésben szenvedő betegeknél, akiknek a kezdeti kezelési megközelítése összhangban volt a TORCH által becsült eredettel, magasabb volt a teljes túlélési arány, mint az eltérő terápiában részesülőknél. A modell viszonylag megbízható általánosítást és kompatibilitást mutatott.

Öt tesztkészlettel kombinálva a TORCH 83%-os top-1 pontosságot, 96%-os top-2 pontosságot és 99%-os top-3 pontosságot ért el. Hasonló mikroátlagos egy kontra pihenő AUROC pontszámok is voltak az alacsony és a magas bizonyosságú csoportokban.

A vizsgálatban 391 rákos beteg vett részt, ebből 276 volt egybehangzó, 115 pedig diszharmonikus. Az utánkövetési időszakot követően a betegek 42%-a halt meg, ebből 37%-a konkordons beteg, 53%-a pedig diszharmonikus beteg volt. A túlélési elemzés kimutatta, hogy a konkordáns betegek teljes túlélése szignifikánsan magasabb volt, mint a nem egyeztetett betegeknél.

A rossz kenet előkészítés és a képminőséggel kapcsolatos problémák, mint például a vágott gyűrődések, szennyeződés vagy túlfestés, a hasnyálmirigyrák AI-túldiagnózisához vezethetnek. A kutatók ezeket a hiányosságokat az adatellenőrzési lépés során elvégzett gondos kézi feldolgozással orvosolhatják.

A vastagbélrák esetében a nyálka a képterület nagy részét elfoglalta, ami miatt az AI-modell figyelmen kívül hagyta ezt a kritikus szempontot a diagnózis során.

Oklevél

A vizsgálati eredmények alapján a TORCH modell, egy mesterséges intelligencia eszköz ígéretesnek bizonyult a klinikai gyakorlatban a rosszindulatú sejtek elsődleges rendszeres eredetének előrejelzésére hidrothoraxban és ascitesben.

Megkülönböztetheti a rosszindulatú daganatokat a jóindulatú betegségektől, meghatározhatja a rák forrásait, és segíthet a klinikai döntéshozatalban ismeretlen eredetű rákos betegeknél. A modell öt tesztsorozatban jól teljesített, és négy patológust felülmúlt.

Segítheti az onkológusokat a terápia kiválasztásában azonosítatlan CUP-ban, elsősorban adenokarcinómában szenvedő egyének számára, akiket széles spektrumú empirikus kemoterápiás kezelésekkel kezelnek.

Források: