Det nye AI-verktøyet TORCH identifiserer med suksess årsaker til kreft i ukjente primære tilfeller

Det nye AI-verktøyet TORCH identifiserer med suksess årsaker til kreft i ukjente primære tilfeller

I en fersk studie publisert i Nature Medicine utviklet forskere en dyp læringstilnærming til differensiering av tumoropprinnelse ved bruk av cytologisk histologi (TORCH) som oppdager malignitet og forutsier tumoropprinnelse i hydrothorax og ascites ved hjelp av cytologiske bilder fra 57 220 pasienter.

bakgrunn

Kreft av ukjent primær lokalisering (CUP) er ondartede sykdommer som diagnostiseres histopatologisk som metastaser, men hvis opphav ikke kan bestemmes ved bruk av konvensjonelle diagnostiske metoder.

Disse sykdommene manifesterer seg ofte som serøse effusjoner og har dårlig prognose til tross for kombinasjonskjemoterapi. Immunhistokjemi forutsier den mest sannsynlige opprinnelsen til CUP; Imidlertid kan forskere oppdage noen tilfeller ved å bruke immunfargingscocktailer. Den nøyaktige identifiseringen av primære lokasjoner er avgjørende for vellykket og skreddersydd terapi.

Om studiet

I denne studien presenterer forskere TORCH, en dyp læringsalgoritme for å identifisere kreftutvikling basert på cytologiske bilder av ascites og hydrothorax.

Forskerne trente modellen ved å bruke fire uavhengige dype nevrale nettverk, som ble kombinert for å lage 12 forskjellige modeller. Ved å bruke cytologiske bilder forsøkte forskerne å utvikle en kunstig intelligens-basert diagnostisk modell for å forutsi tumorutvikling hos mennesker med maligniteter og ascites eller hydrothorax-metastaser.

De testet og bekreftet ytelsen til AI-systemet ved å bruke cytologiske vattpinneforekomster fra flere uavhengige testsett.

Fra juni 2010 til oktober 2023 samlet forskere inn data fra 90 572 celleprøvebilder fra 76 183 kreftpasienter ved fire store institusjoner (Zhengzhou University First Hospital, Tianjin Medical University Cancer Institute and Hospital, Yantai Yuhuangding Hospital og Suzhou University First Hospital) som en del av opplæringen. Data.

Luftveissykdommer representerte den høyeste prosentandelen (30 %, 17 058 pasienter) av maligne grupperinger.

Karsinomer utgjorde 57 % av tilfellene av ascites og hydrothorax, med adenokarsinomer som den vanligste gruppen (47 %, 27 006 pasienter). Kun 0,6 % av plateepitelkarsinomene metastaserte til ascites eller pleuraeffusjon (n=346).

For å teste generaliserbarheten og påliteligheten til TORCH inkluderte forskerne 4520 påfølgende pasienter fra Tianjin Cancer Hospital (Tianjin-P datasettet) og 12467 fra Yantai Hospital (Yantai datasettet).

De valgte tilfeldig ut 496 cytologistrykebilder fra tre interne testsett for å undersøke om TORCH kunne hjelpe unge patologer med å forbedre ytelsen deres.

De sammenlignet juniorpatologers ytelse ved bruk av TORCH med tidligere manuelle tolkningsresultater for både junior- og seniorpatologer.

Forskere brukte oppmerksomhetsvarmekart for å tolke en AI-modell for kreftdeteksjon i 42 682 cytologistrykebilder fra pasienter ved tre store tertiære henvisningssykehus. Modellen ble evaluert i virkelige scenarier ved bruk av eksterne testdatasett som inkluderte 495 bilder.

Målet med studien er å forbedre de diagnostiske ferdighetene til unge patologer som bruker TORCH. Ablasjonstesting evaluerte fordelene ved å inkorporere kliniske funksjoner for å forutsi tumoropprinnelse og undersøkte sammenhengen mellom kliniske faktorer og cytologiske bilder.

Resultater

TORCH-modellen, en ny teknikk for å forutsi tumoropprinnelse i kreftdiagnose og lokalisering, ble evaluert på forskjellige datasett.

Resultatene viste at TORCH hadde en samlet mikro-gjennomsnittlig ett-versus-hvileområde-under-kurven (AUROC) verdi på 0,97, med en topp-1-nøyaktighet på 83 % og en topp-3-nøyaktighet på 99 %. Dette forbedret prediksjonseffektiviteten til TORCH sammenlignet med patologer og økte spesielt de diagnostiske resultatene til unge patologer.

Pasienter med kreft av ukjent opprinnelse hvis innledende behandlingstilnærming stemte overens med opprinnelsen estimert av TORCH hadde en høyere total overlevelse enn de som fikk uenig behandling. Modellen viste relativt pålitelig generalisering og kompatibilitet.

Kombinert med fem testsett, oppnådde TORCH en topp-1-nøyaktighet på 83 %, en topp-2-nøyaktighet på 96 % og en topp-3-nøyaktighet på 99 %. Det var også lignende mikro-gjennomsnitt en-versus-hvile AUROC-skårer i lav- og høysikkerhetsgruppene.

Studien inkluderte 391 kreftpasienter, hvorav 276 var konkordante og 115 var discordante. Etter oppfølgingsperioden døde 42 % av pasientene, hvorav 37 % var konkordante pasienter og 53 % var discordante pasienter. Overlevelsesanalyse avslørte at konkordante pasienter hadde signifikant høyere total overlevelse enn diskordante.

Dårlig utstrykningsforberedelse og bildekvalitetsproblemer som kuttbrikker, kontaminering eller overfarging kan føre til AI-overdiagnostisering av kreft i bukspyttkjertelen. Forskere kan løse disse manglene gjennom nøye manuell behandling gjennom hele dataverifiseringstrinnet.

Ved tykktarmskreft tok slim opp det meste av bildeområdet, noe som kan ha fått AI-modellen til å ignorere dette kritiske aspektet i diagnosen.

Diplom

Basert på studieresultatene har TORCH-modellen, et AI-verktøy, vist lovende i klinisk praksis for å forutsi den primære systemopprinnelsen til ondartede celler i hydrothorax og ascites.

Den kan skille mellom ondartede svulster og godartede sykdommer, lokalisere kreftkilder og hjelpe til med klinisk beslutningstaking hos pasienter med kreft av ukjent opprinnelse. Modellen presterte bra i fem sett med tester og overgikk fire patologer.

Det kan hjelpe onkologer med å velge terapi for uidentifiserte individer med CUP, primært adenokarsinom, behandlet med bredspektrede empiriske kjemoterapiregimer.

Kilder: