Naujasis dirbtinio intelekto įrankis TORCH sėkmingai nustato vėžio priežastis nežinomais pirminiais atvejais

Naujasis dirbtinio intelekto įrankis TORCH sėkmingai nustato vėžio priežastis nežinomais pirminiais atvejais

Neseniai „Nature Medicine“ paskelbtame tyrime mokslininkai sukūrė gilaus mokymosi metodą, skirtą naviko kilmės diferenciacijai, naudodami citologinę histologiją (TORCH), kuri aptinka piktybinius navikus ir prognozuoja naviko kilmę hidrotorakse ir ascite, naudojant citologinius vaizdus iš 57 220 pacientų.

fone

Nežinomos pirminės lokalizacijos vėžys (CUP) yra piktybinės ligos, kurios histopatologiškai diagnozuojamos kaip metastazės, tačiau kurių kilmės negalima nustatyti naudojant įprastinius diagnostikos metodus.

Šios ligos dažnai pasireiškia serozinėmis efuzijomis ir turi prastą prognozę, nepaisant kombinuotos chemoterapijos. Imunohistochemija numato labiausiai tikėtiną CUP kilmę; Tačiau mokslininkai gali aptikti kai kuriuos atvejus naudodami imuninės spalvos kokteilius. Tikslus pirminių vietų nustatymas yra labai svarbus sėkmingam ir pritaikytam gydymui.

Apie studiją

Šiame tyrime mokslininkai pristato TORCH – gilaus mokymosi algoritmą, skirtą vėžio vystymuisi nustatyti, remiantis citologiniais ascito ir hidrotorakso vaizdais.

Tyrėjai apmokė modelį naudodami keturis nepriklausomus giluminius neuroninius tinklus, kurie buvo sujungti, kad būtų sukurta 12 skirtingų modelių. Naudodami citologinius vaizdus, ​​mokslininkai bandė sukurti dirbtiniu intelektu pagrįstą diagnostikos modelį, kad būtų galima numatyti naviko vystymąsi žmonėms, sergantiems piktybiniais navikais ir ascitu ar hidrotorakso metastazėmis.

Jie išbandė ir patvirtino AI sistemos veikimą, naudodami citologinius tamponus iš kelių nepriklausomų bandymų rinkinių.

Nuo 2010 m. birželio mėn. iki 2023 m. spalio mėn. tyrėjai surinko duomenis iš 90 572 citologinių tepinėlių vaizdų iš 76 183 vėžiu sergančių pacientų keturiose pagrindinėse institucijose (Džengdžou universiteto Pirmoji ligoninė, Tiandzino medicinos universiteto vėžio institutas ir ligoninė, Yantai Yuhuangding ligoninė ir Sudžou universiteto pirmoji ligoninė). Duomenys.

Kvėpavimo takų ligos sudarė didžiausią procentą (30%, 17 058 pacientai) piktybinių grupių.

Karcinomos sudarė 57% ascito ir hidrotorakso atvejų, o adenokarcinomos buvo dažniausia grupė (47%, 27 006 pacientai). Tik 0,6% plokščiųjų ląstelių karcinomų metastazavo į ascitą arba pleuros efuziją (n = 346).

Norėdami patikrinti TORCH apibendrinimą ir patikimumą, mokslininkai įtraukė 4520 pacientų iš Tiandzino vėžio ligoninės (Tianjin-P duomenų rinkinys) ir 12 467 iš Yantai ligoninės (Yantai duomenų rinkinys).

Jie atsitiktinai atrinko 496 citologinių tepinėlių vaizdus iš trijų vidinių bandymų rinkinių, kad ištirtų, ar TORCH galėtų padėti jauniems patologams pagerinti savo veiklą.

Jie palygino jaunesniųjų patologų veiklą naudojant TORCH su ankstesniais rankinio interpretavimo rezultatais tiek jaunesniems, tiek vyresniems patologams.

Tyrėjai naudojo dėmesio karščio žemėlapius, kad interpretuotų AI modelį, skirtą vėžio aptikimui 42 682 pacientų citologiniuose tepinėlių vaizduose iš trijų didelių tretinio siuntimo ligoninių. Modelis buvo įvertintas pagal realius scenarijus, naudojant išorinius bandymo duomenų rinkinius, kuriuose buvo 495 nuotraukos.

Tyrimo tikslas – tobulinti jaunųjų patologų diagnostikos įgūdžius naudojant TORCH. Abliacijos tyrimai įvertino klinikinių požymių įtraukimo pranašumus numatant naviko kilmę ir ištyrė ryšį tarp klinikinių veiksnių ir citologinių vaizdų.

Rezultatai

TORCH modelis, naujas metodas, skirtas prognozuoti naviko kilmę diagnozuojant ir lokalizuojant vėžį, buvo įvertintas įvairiais duomenų rinkiniais.

Rezultatai parodė, kad TORCH bendras mikrovidurkis vienas prieš poilsio plotą po kreive (AUROC) buvo 0,97, o didžiausias 1 tikslumas buvo 83%, o 3 - 99%. Tai pagerino TORCH prognozavimo efektyvumą lyginant su patologais ir ypač padidino jaunųjų patologų diagnostikos rezultatus.

Pacientų, sergančių neaiškios kilmės vėžiu, kurių pradinis gydymo metodas atitiko TORCH apskaičiuotą kilmę, bendras išgyvenamumas buvo didesnis nei tų, kuriems buvo taikomas prieštaringas gydymas. Modelis parodė gana patikimą apibendrinimą ir suderinamumą.

Kartu su penkiais testų rinkiniais TORCH pasiekė 83% geriausio 1 tikslumą, 96% geriausio 2 tikslumą ir 99% geriausio 3 tikslumą. Mažo ir didelio tikrumo grupėse taip pat buvo panašūs mikrovidurkiai vieno ir poilsio AUROC balai.

Tyrime dalyvavo 391 vėžiu sergantis pacientas, iš kurių 276 buvo vienodi, o 115 – nesuderinami. Po stebėjimo laikotarpio mirė 42% pacientų, iš kurių 37% buvo suderinami pacientai, o 53% - nesuderinami pacientai. Išgyvenamumo analizė parodė, kad panašių pacientų bendras išgyvenamumas buvo žymiai didesnis nei nesuderinamų.

Prastas tepinėlio paruošimas ir vaizdo kokybės problemos, pvz., įpjautos raukšlės, užteršimas ar per didelis dažymas, gali lemti AI per didelę kasos vėžio diagnozę. Tyrėjai gali pašalinti šiuos trūkumus kruopščiai rankiniu būdu apdorojant duomenis per visą duomenų peržiūros veiksmą.

Storosios žarnos vėžio atveju gleivės užėmė didžiąją vaizdo ploto dalį, todėl AI modelis galėjo ignoruoti šį kritinį diagnozės aspektą.

Diplomas

Remiantis tyrimo rezultatais, TORCH modelis, AI įrankis, parodė, kad klinikinėje praktikoje galima numatyti pirminę hidrotorakso ir ascito piktybinių ląstelių kilmę.

Jis gali atskirti piktybinius navikus nuo gerybinių ligų, nustatyti vėžio šaltinius ir padėti priimti klinikinius sprendimus pacientams, sergantiems neaiškios kilmės vėžiu. Modelis gerai pasirodė penkiuose testų rinkiniuose ir pralenkė keturis patologus.

Tai gali padėti onkologams pasirinkti gydymą nenustatytiems asmenims, sergantiems CUP, pirmiausia adenokarcinoma, gydomiems plataus spektro empirinės chemoterapijos režimais.

Šaltiniai: