Nieuwe AI-tool TORCH” identificeert met succes oorzaken van kanker in onbekende primaire gevallen

Nieuwe AI-tool TORCH” identificeert met succes oorzaken van kanker in onbekende primaire gevallen

In een recente studie gepubliceerd in Nature Medicine ontwikkelden onderzoekers een diepgaande leerbenadering voor differentiatie van tumoroorsprong met behulp van cytologische histologie (TORCH) die maligniteiten detecteert en de oorsprong van tumoren in hydrothorax en ascites voorspelt met behulp van cytologische beelden van 57.220 patiënten.

achtergrond

Kankers met onbekende primaire locatie (CUP) zijn kwaadaardige ziekten die histopathologisch worden gediagnosticeerd als metastasen, maar waarvan de oorsprong niet kan worden vastgesteld met behulp van conventionele diagnostische methoden.

Deze ziekten manifesteren zich vaak als sereuze effusies en hebben ondanks combinatiechemotherapie een slechte prognose. Immunohistochemie voorspelt de meest waarschijnlijke oorsprong van CUP; Onderzoekers kunnen echter sommige gevallen detecteren met behulp van immunokleuringscocktails. De nauwkeurige identificatie van primaire locaties is cruciaal voor een succesvolle en op maat gemaakte therapie.

Over de studie

In de huidige studie presenteren onderzoekers TORCH, een deep learning-algoritme voor het identificeren van de ontwikkeling van kanker op basis van cytologische beelden van ascites en hydrothorax.

De onderzoekers trainden het model met behulp van vier onafhankelijke diepe neurale netwerken, die werden gecombineerd om twaalf verschillende modellen te creëren. Met behulp van cytologische beelden probeerden de onderzoekers een op kunstmatige intelligentie gebaseerd diagnostisch model te ontwikkelen om de tumorontwikkeling te voorspellen bij mensen met maligniteiten en ascites of hydrothorax-metastasen.

Ze testten en bevestigden de prestaties van het AI-systeem met behulp van cytologie-uitstrijkjes uit meerdere onafhankelijke testsets.

Van juni 2010 tot oktober 2023 verzamelden onderzoekers gegevens van 90.572 cytologie-uitstrijkjes van 76.183 kankerpatiënten in vier grote instellingen (Zhengzhou University First Hospital, Tianjin Medical University Cancer Institute and Hospital, Yantai Yuhuangding Hospital en Suzhou University First Hospital) als onderdeel van hun opleiding. Gegevens.

Luchtwegaandoeningen vertegenwoordigden het hoogste percentage (30%, 17.058 patiënten) van kwaadaardige groepen.

Carcinomen waren verantwoordelijk voor 57% van de gevallen van ascites en hydrothorax, waarbij adenocarcinomen de meest voorkomende groep waren (47%, 27.006 patiënten). Slechts 0,6% van de plaveiselcelcarcinomen uitgezaaid naar ascites of pleurale effusie (n=346).

Om de generaliseerbaarheid en betrouwbaarheid van TORCH te testen, includeerden onderzoekers 4.520 opeenvolgende patiënten uit het Tianjin Cancer Hospital (de Tianjin-P dataset) en 12.467 uit het Yantai Hospital (de Yantai dataset).

Ze selecteerden willekeurig 496 cytologie-uitstrijkjes uit drie interne testsets om te onderzoeken of TORCH jonge pathologen kon helpen hun prestaties te verbeteren.

Ze vergeleken de prestaties van junior pathologen met behulp van TORCH met eerdere handmatige interpretatieresultaten voor zowel junior als senior pathologen.

Onderzoekers gebruikten aandachts-heatmaps om een ​​AI-model voor kankerdetectie te interpreteren in 42.682 cytologie-uitstrijkjes van patiënten in drie grote tertiaire verwijzingsziekenhuizen. Het model werd geëvalueerd in praktijkscenario's met behulp van externe testdatasets die 495 foto's bevatten.

Het doel van het onderzoek is om de diagnostische vaardigheden van jonge pathologen die TORCH gebruiken te verbeteren. Ablatietesten evalueerden de voordelen van het opnemen van klinische kenmerken bij het voorspellen van de oorsprong van tumoren en onderzochten de associatie tussen klinische factoren en cytologische beelden.

Resultaten

Het TORCH-model, een nieuwe techniek voor het voorspellen van de oorsprong van tumoren bij de diagnose en lokalisatie van kanker, werd geëvalueerd op verschillende datasets.

De resultaten toonden aan dat TORCH een algehele micro-gemiddelde one-versus-rest-area-under-the-curve (AUROC)-waarde had van 0,97, met een top-1-nauwkeurigheid van 83% en een top-3-nauwkeurigheid van 99%. Dit verbeterde de voorspellingsefficiëntie van TORCH in vergelijking met pathologen en verhoogde vooral de diagnostische resultaten van jonge pathologen.

Patiënten met kanker van onbekende oorsprong, bij wie de initiële behandelaanpak consistent was met de door TORCH geschatte oorsprong, hadden een hoger algemeen overlevingspercentage dan degenen die een afwijkende therapie kregen. Het model toonde relatief betrouwbare generalisatie en compatibiliteit.

Gecombineerd met vijf testsets behaalde TORCH een top-1-nauwkeurigheid van 83%, een top-2-nauwkeurigheid van 96% en een top-3-nauwkeurigheid van 99%. Er waren ook vergelijkbare microgemiddelde AUROC-scores van één versus rust in de groepen met lage en hoge zekerheid.

De studie omvatte 391 kankerpatiënten, waarvan 276 concordant en 115 discordant waren. Na de follow-upperiode overleed 42% van de patiënten, waarvan 37% concordante patiënten en 53% discordante patiënten. Overlevingsanalyse onthulde dat concordante patiënten een significant hogere algehele overleving hadden dan discordante patiënten.

Een slechte voorbereiding van het uitstrijkje en problemen met de beeldkwaliteit, zoals snijplooien, vervuiling of overmatige kleuring, kunnen leiden tot AI-overdiagnose van alvleesklierkanker. Onderzoekers kunnen deze tekortkomingen aanpakken door middel van zorgvuldige handmatige verwerking tijdens de hele stap van het beoordelen van de gegevens.

In het geval van darmkanker nam slijm het grootste deel van het beeldgebied in beslag, wat er mogelijk toe heeft geleid dat het AI-model dit cruciale aspect bij de diagnose negeerde.

Diploma

Op basis van de onderzoeksresultaten is het TORCH-model, een AI-hulpmiddel, in de klinische praktijk veelbelovend gebleken voor het voorspellen van de oorsprong van het primaire systeem van kwaadaardige cellen in hydrothorax en ascites.

Het kan onderscheid maken tussen kwaadaardige tumoren en goedaardige ziekten, kankerbronnen lokaliseren en helpen bij de klinische besluitvorming bij patiënten met kanker van onbekende oorsprong. Het model presteerde goed in vijf reeksen tests en presteerde beter dan vier pathologen.

Het kan oncologen helpen bij het selecteren van therapie voor niet-geïdentificeerde personen met CUP, voornamelijk adenocarcinoom, die worden behandeld met breedspectrum empirische chemotherapieregimes.

Bronnen: