Il nuovo strumento di intelligenza artificiale TORCH” identifica con successo le cause del cancro in casi primari sconosciuti

Il nuovo strumento di intelligenza artificiale TORCH” identifica con successo le cause del cancro in casi primari sconosciuti

In un recente studio pubblicato su Nature Medicine, i ricercatori hanno sviluppato un approccio di apprendimento profondo alla differenziazione dell’origine del tumore utilizzando l’istologia citologica (TORCH) che rileva la malignità e predice l’origine del tumore nell’idrotorace e nell’ascite utilizzando immagini citologiche di 57.220 pazienti.

sfondo

I tumori a localizzazione primaria sconosciuta (CUP) sono malattie maligne che vengono diagnosticate istopatologicamente come metastasi, ma la cui origine non può essere determinata utilizzando metodi diagnostici convenzionali.

Queste malattie spesso si manifestano come versamenti sierosi e hanno una prognosi sfavorevole nonostante la chemioterapia di combinazione. L'immunoistochimica predice l'origine più probabile del CUP; Tuttavia, i ricercatori possono rilevare alcuni casi utilizzando cocktail di immunocolorazione. L'identificazione precisa delle sedi primarie è fondamentale per una terapia su misura e di successo.

A proposito dello studio

Nel presente studio, i ricercatori presentano TORCH, un algoritmo di deep learning per identificare lo sviluppo del cancro basato su immagini citologiche di ascite e idrotorace.

I ricercatori hanno addestrato il modello utilizzando quattro reti neurali profonde indipendenti, che sono state combinate per creare 12 modelli diversi. Utilizzando immagini citologiche, i ricercatori hanno tentato di sviluppare un modello diagnostico basato sull’intelligenza artificiale per prevedere lo sviluppo del tumore nelle persone con tumori maligni e metastasi di ascite o idrotorace.

Hanno testato e confermato le prestazioni del sistema AI utilizzando istanze di tamponi citologici provenienti da più set di test indipendenti.

Da giugno 2010 a ottobre 2023, i ricercatori hanno raccolto dati da 90.572 immagini di striscio citologico di 76.183 pazienti affetti da cancro in quattro importanti istituzioni (Primo ospedale dell'Università di Zhengzhou, Istituto e ospedale del cancro dell'Università medica di Tianjin, Ospedale Yantai Yuhuangding e Primo ospedale dell'Università di Suzhou) come parte della loro formazione. Dati.

Le malattie respiratorie rappresentavano la percentuale più alta (30%, 17.058 pazienti) di raggruppamenti maligni.

I carcinomi rappresentavano il 57% dei casi di ascite e idrotorace, con gli adenocarcinomi che rappresentavano il gruppo più comune (47%, 27.006 pazienti). Solo lo 0,6% dei carcinomi a cellule squamose ha metastatizzato in ascite o versamento pleurico (n = 346).

Per testare la generalizzabilità e l’affidabilità di TORCH, i ricercatori hanno incluso 4.520 pazienti consecutivi del Tianjin Cancer Hospital (il set di dati Tianjin-P) e 12.467 dell’Ospedale Yantai (il set di dati Yantai).

Hanno selezionato in modo casuale 496 immagini di strisci citologici da tre serie di test interni per indagare se TORCH potesse aiutare i giovani patologi a migliorare le loro prestazioni.

Hanno confrontato le prestazioni dei patologi junior utilizzando TORCH con i precedenti risultati dell'interpretazione manuale sia per i patologi junior che per quelli senior.

I ricercatori hanno utilizzato mappe di calore dell’attenzione per interpretare un modello di intelligenza artificiale per il rilevamento del cancro in 42.682 immagini di striscio citologico di pazienti in tre grandi ospedali di riferimento terziari. Il modello è stato valutato in scenari reali utilizzando set di dati di test esterni che includevano 495 foto.

Lo scopo dello studio è migliorare le capacità diagnostiche dei giovani patologi che utilizzano TORCH. Il test di ablazione ha valutato i vantaggi derivanti dall'incorporazione delle caratteristiche cliniche nel predire l'origine del tumore ed ha esaminato l'associazione tra fattori clinici e immagini citologiche.

Risultati

Il modello TORCH, una nuova tecnica per prevedere le origini dei tumori nella diagnosi e localizzazione del cancro, è stato valutato su vari set di dati.

I risultati hanno mostrato che TORCH aveva un valore micro-medio complessivo AUROC (uno rispetto all'area di riposo sotto la curva) di 0,97, con una precisione al primo posto dell'83% e una precisione al primo posto del 99%. Ciò ha migliorato l’efficienza di previsione di TORCH rispetto ai patologi e soprattutto ha aumentato i risultati diagnostici dei giovani patologi.

I pazienti con tumori di origine sconosciuta il cui approccio terapeutico iniziale era coerente con le origini stimate da TORCH avevano un tasso di sopravvivenza globale più elevato rispetto a quelli che avevano ricevuto una terapia discordante. Il modello ha mostrato generalizzazione e compatibilità relativamente affidabili.

In combinazione con cinque set di test, TORCH ha raggiunto una precisione top 1 dell'83%, una precisione top 2 del 96% e una precisione top 3 del 99%. C'erano anche punteggi AUROC micro-medi uno contro resto simili nei gruppi con certezza bassa e alta.

Lo studio ha incluso 391 pazienti affetti da cancro, di cui 276 concordanti e 115 discordanti. Dopo il periodo di follow-up, il 42% dei pazienti è deceduto, di cui il 37% erano pazienti concordanti e il 53% erano pazienti discordanti. L’analisi di sopravvivenza ha rivelato che i pazienti concordanti avevano una sopravvivenza globale significativamente più elevata rispetto a quelli discordanti.

Una scarsa preparazione dello striscio e problemi di qualità dell'immagine come pieghe, contaminazione o colorazione eccessiva possono portare a una sovradiagnosi dell'IA del cancro del pancreas. I ricercatori possono affrontare queste carenze attraverso un'attenta elaborazione manuale durante tutta la fase di revisione dei dati.

Nel caso del cancro al colon, il muco occupava gran parte dell’area dell’immagine, il che potrebbe aver fatto sì che il modello AI ignorasse questo aspetto critico nella diagnosi.

Diploma

Sulla base dei risultati dello studio, il modello TORCH, uno strumento di intelligenza artificiale, si è mostrato promettente nella pratica clinica per prevedere l’origine del sistema primario delle cellule maligne nell’idrotorace e nell’ascite.

Può distinguere tra tumori maligni e malattie benigne, individuare le fonti del cancro e aiutare nel processo decisionale clinico in pazienti con tumori di origine sconosciuta. Il modello ha funzionato bene in cinque serie di test e ha sovraperformato quattro patologi.

Potrebbe aiutare gli oncologi nella scelta della terapia per individui non identificati affetti da CUP, principalmente adenocarcinoma, trattati con regimi chemioterapici empirici ad ampio spettro.

Fonti: