Jaunais mākslīgā intelekta rīks TORCH” veiksmīgi identificē vēža cēloņus nezināmos primārajos gadījumos

Jaunais mākslīgā intelekta rīks TORCH” veiksmīgi identificē vēža cēloņus nezināmos primārajos gadījumos

Nesenā pētījumā, kas publicēts Nature Medicine, pētnieki izstrādāja dziļas mācīšanās pieeju audzēja izcelsmes diferenciācijai, izmantojot citoloģisko histoloģiju (TORCH), kas atklāj ļaundabīgo audzēju un prognozē audzēja izcelsmi hidrotoraksā un ascītā, izmantojot citoloģiskos attēlus no 57 220 pacientiem.

fons

Nezināmas primārās lokalizācijas vēži (CUP) ir ļaundabīgas slimības, kas histopatoloģiski tiek diagnosticētas kā metastāzes, bet kuru izcelsmi nevar noteikt ar tradicionālajām diagnostikas metodēm.

Šīs slimības bieži izpaužas kā serozs izsvīdums, un tām ir slikta prognoze, neskatoties uz kombinēto ķīmijterapiju. Imūnhistoķīmija prognozē visticamāko CUP izcelsmi; Tomēr pētnieki var atklāt dažus gadījumus, izmantojot imūnkrāsojošus kokteiļus. Precīza primāro atrašanās vietu noteikšana ir ļoti svarīga veiksmīgai un pielāgotai terapijai.

Par pētījumu

Šajā pētījumā pētnieki iepazīstina ar TORCH, dziļas mācīšanās algoritmu vēža attīstības identificēšanai, pamatojoties uz ascīta un hidrotoraksa citoloģiskiem attēliem.

Pētnieki apmācīja modeli, izmantojot četrus neatkarīgus dziļos neironu tīklus, kas tika apvienoti, lai izveidotu 12 dažādus modeļus. Izmantojot citoloģiskos attēlus, pētnieki mēģināja izstrādāt uz mākslīgo intelektu balstītu diagnostikas modeli, lai prognozētu audzēju attīstību cilvēkiem ar ļaundabīgiem audzējiem un ascītu vai hidrotoraksa metastāzēm.

Viņi pārbaudīja un apstiprināja AI sistēmas veiktspēju, izmantojot citoloģijas uztriepes gadījumus no vairākām neatkarīgām testu kopām.

No 2010. gada jūnija līdz 2023. gada oktobrim pētnieki savāca datus no 90 572 citoloģijas uztriepes attēliem no 76 183 vēža slimniekiem četrās lielākajās iestādēs (Džeņdziņas Universitātes pirmajā slimnīcā, Tjaņdzjiņas Medicīnas universitātes vēža institūtā un slimnīcā, Yantai Yuhuangding slimnīcā un Sudžou universitātes pirmajā slimnīcā). Dati.

Elpošanas ceļu slimības veidoja lielāko procentuālo daļu (30%, 17 058 pacienti) ļaundabīgo audzēju grupās.

Karcinomas veidoja 57% ascīta un hidrotoraksa gadījumu, un adenokarcinomas bija visizplatītākā grupa (47%, 27 006 pacienti). Tikai 0,6% plakanšūnu karcinomu metastāzes veidojās līdz ascītam vai pleiras izsvīdumam (n = 346).

Lai pārbaudītu TORCH vispārināmību un uzticamību, pētnieki iekļāva 4520 pacientus pēc kārtas no Tianjin Cancer Hospital (Tianjin-P datu kopa) un 12 467 no Yantai slimnīcas (Yantai datu kopa).

Viņi nejauši atlasīja 496 citoloģijas uztriepes attēlus no trim iekšējiem testu komplektiem, lai noskaidrotu, vai TORCH varētu palīdzēt jaunajiem patologiem uzlabot viņu sniegumu.

Viņi salīdzināja jaunāko patologu sniegumu, izmantojot TORCH, ar iepriekšējiem manuālās interpretācijas rezultātiem gan jaunākajiem, gan vecākajiem patologiem.

Pētnieki izmantoja uzmanības siltuma kartes, lai interpretētu AI modeli vēža noteikšanai 42 682 citoloģijas uztriepes attēlos no pacientiem trīs lielās terciārās nosūtīšanas slimnīcās. Modelis tika novērtēts reālās pasaules scenārijos, izmantojot ārējās testa datu kopas, kas ietvēra 495 fotoattēlus.

Pētījuma mērķis ir uzlabot jauno patologu diagnostikas prasmes, izmantojot TORCH. Ablācijas testos tika novērtēti ieguvumi no klīnisko pazīmju iekļaušanas audzēja izcelsmes prognozēšanā un pārbaudīta saikne starp klīniskajiem faktoriem un citoloģiskajiem attēliem.

Rezultāti

TORCH modelis, jauna metode audzēja izcelsmes prognozēšanai vēža diagnostikā un lokalizācijā, tika novērtēts dažādās datu kopās.

Rezultāti parādīja, ka TORCH kopējā mikrovidējā viena pret atpūtas zona zem līknes (AUROC) vērtība bija 0,97, ar 83% precizitāti visaugstākajā līmenī un 99%. Tas uzlaboja TORCH prognozēšanas efektivitāti salīdzinājumā ar patologiem un īpaši palielināja jauno patologu diagnostikas rezultātus.

Pacientiem ar nezināmas izcelsmes vēzi, kuru sākotnējā ārstēšanas pieeja saskanēja ar TORCH aprēķināto izcelsmi, kopējais izdzīvošanas rādītājs bija augstāks nekā tiem, kuri saņēma pretrunīgu terapiju. Modelis parādīja samērā drošu vispārinājumu un savietojamību.

Apvienojumā ar pieciem testu komplektiem TORCH sasniedza 83 % precizitāti, 2. labāko precizitāti — 96% un 3. labāko precizitāti — 99%. Zemas un augstas noteiktības grupās bija arī līdzīgi mikrovidēji viens pret atpūtu AUROC rādītāji.

Pētījumā piedalījās 391 vēža slimnieks, no kuriem 276 bija saskanīgi un 115 bija pretrunīgi. Pēc novērošanas perioda nomira 42% pacientu, no kuriem 37% bija līdzīgi pacienti un 53% bija pretrunīgi pacienti. Izdzīvošanas analīze atklāja, ka līdzīgiem pacientiem bija ievērojami augstāka kopējā dzīvildze nekā pretrunīgiem pacientiem.

Slikta uztriepes sagatavošana un attēla kvalitātes problēmas, piemēram, izgrieztas krokas, piesārņojums vai pārkrāsošanās, var izraisīt AI pārlieku diagnosticētu aizkuņģa dziedzera vēzi. Pētnieki var novērst šos trūkumus, rūpīgi veicot manuālu apstrādi visā datu pārskatīšanas posmā.

Resnās zarnas vēža gadījumā gļotas aizņēma lielāko daļu attēla apgabala, kas, iespējams, izraisīja AI modeli, lai ignorētu šo kritisko diagnozes aspektu.

Diploms

Pamatojoties uz pētījuma rezultātiem, TORCH modelis, AI rīks, klīniskajā praksē ir parādījis daudzsološu ļaundabīgo šūnu primārās sistēmas izcelsmi prognozēšanā hidrotoraksā un ascītā.

Tas var atšķirt ļaundabīgos audzējus no labdabīgām slimībām, noteikt vēža avotus un palīdzēt klīnisko lēmumu pieņemšanā pacientiem ar nezināmas izcelsmes vēzi. Modelis darbojās labi piecos testu komplektos un pārspēja četrus patologus.

Tas var palīdzēt onkologiem izvēlēties terapiju neidentificētām personām ar CUP, galvenokārt adenokarcinomu, kas ārstētas ar plaša spektra empīriskām ķīmijterapijas shēmām.

Avoti: