Nowe narzędzie AI TORCH” skutecznie identyfikuje przyczyny raka w nieznanych pierwotnych przypadkach

Nowe narzędzie AI TORCH” skutecznie identyfikuje przyczyny raka w nieznanych pierwotnych przypadkach

W niedawnym badaniu opublikowanym w Nature Medicine naukowcy opracowali podejście oparte na głębokim uczeniu się do różnicowania pochodzenia nowotworu za pomocą histologii cytologicznej (TORCH), która wykrywa nowotwór złośliwy i przewiduje pochodzenie nowotworu w opłucnej i wodobrzuszu na podstawie obrazów cytologicznych od 57 220 pacjentów.

tło

Nowotwory o nieznanej lokalizacji pierwotnej (CUP) to nowotwory złośliwe, które histopatologicznie rozpoznawane są jako przerzuty, ale których pochodzenia nie można określić konwencjonalnymi metodami diagnostycznymi.

Choroby te często objawiają się wysiękiem surowiczym i mają złe rokowanie pomimo skojarzonej chemioterapii. Immunohistochemia przewiduje najbardziej prawdopodobne pochodzenie CUP; Jednak badacze mogą wykryć niektóre przypadki za pomocą koktajli barwiących immunologicznie. Dokładna identyfikacja lokalizacji pierwotnych ma kluczowe znaczenie dla skutecznej i dostosowanej do indywidualnych potrzeb terapii.

O badaniu

W niniejszym badaniu naukowcy przedstawiają TORCH, algorytm głębokiego uczenia się służący do identyfikacji rozwoju nowotworu na podstawie obrazów cytologicznych wodobrzusza i opłucnej.

Naukowcy przeszkolili model, korzystając z czterech niezależnych głębokich sieci neuronowych, które połączono, aby stworzyć 12 różnych modeli. Wykorzystując obrazy cytologiczne, badacze podjęli próbę opracowania modelu diagnostycznego opartego na sztucznej inteligencji, umożliwiającego przewidywanie rozwoju nowotworu u osób chorych na nowotwory złośliwe, wodobrzusze lub przerzuty w opłucnej.

Przetestowali i potwierdzili działanie systemu AI, korzystając z wymazów cytologicznych z wielu niezależnych zestawów testowych.

W ramach szkolenia od czerwca 2010 r. do października 2023 r. badacze zebrali dane z 90 572 obrazów wymazów cytologicznych od 76 183 pacjentów chorych na raka w czterech głównych instytucjach (Pierwszy Szpital Uniwersytecki w Zhengzhou, Instytut i Szpital Onkologiczny Uniwersytetu Medycznego w Tianjin, Szpital Yantai Yuhuangding i Pierwszy Szpital Uniwersytecki w Suzhou). Dane.

Największy odsetek (30%, 17 058 pacjentów) grup nowotworów złośliwych stanowiły choroby układu oddechowego.

Raki stanowiły 57% przypadków wodobrzusza i opłucnej, przy czym najczęstszą grupą były gruczolakoraki (47%, 27 006 pacjentów). Tylko 0,6% raków płaskonabłonkowych dawało przerzuty do wodobrzusza lub wysięku opłucnowego (n=346).

Aby przetestować możliwość uogólnienia i wiarygodność testu TORCH, badacze włączyli do badania 4520 kolejnych pacjentów ze szpitala onkologicznego w Tianjin (zbiór danych Tianjin-P) i 12 467 ze szpitala Yantai (zbiór danych Yantai).

Wybrali losowo 496 obrazów rozmazów cytologicznych z trzech wewnętrznych zestawów testowych, aby sprawdzić, czy technologia TORCH może pomóc młodym patologom poprawić ich wyniki.

Porównali wyniki młodych patologów korzystających z narzędzia TORCH z wynikami wcześniejszych interpretacji ręcznych zarówno młodszych, jak i starszych patologów.

Naukowcy wykorzystali mapy cieplne uwagi, aby zinterpretować model sztucznej inteligencji do wykrywania raka na 42 682 obrazach wymazów cytologicznych pacjentów w trzech dużych szpitalach referencyjnych trzeciego stopnia. Model został oceniony w rzeczywistych scenariuszach przy użyciu zewnętrznych zestawów danych testowych, które obejmowały 495 zdjęć.

Celem badań jest doskonalenie umiejętności diagnostycznych młodych patologów z wykorzystaniem narzędzia TORCH. W testach ablacji oceniono korzyści wynikające z uwzględnienia cech klinicznych w przewidywaniu pochodzenia nowotworu i zbadano związek między czynnikami klinicznymi a obrazami cytologicznymi.

Wyniki

Model TORCH, nowatorska technika przewidywania pochodzenia nowotworu w diagnostyce i lokalizacji nowotworu, oceniano na różnych zbiorach danych.

Wyniki pokazały, że ogólna mikrouśredniona wartość jednego obszaru odpoczynku pod krzywą (AUROC) w narzędziu TORCH wynosiła 0,97, przy pierwszej pierwszej dokładności wynoszącej 83% i najwyższej trójce dokładności wynoszącej 99%. Poprawiło to skuteczność przewidywania projektu TORCH w porównaniu z patologami, a zwłaszcza poprawiło wyniki diagnostyczne młodych patologów.

Pacjenci z nowotworami niewiadomego pochodzenia, których początkowe podejście do leczenia było zgodne z początkiem oszacowanym przez TORCH, mieli wyższy wskaźnik przeżycia całkowitego w porównaniu z tymi, którzy otrzymali terapię niezgodną. Model wykazał stosunkowo niezawodne uogólnienie i zgodność.

W połączeniu z pięcioma zestawami testowymi, TORCH osiągnął najwyższą dokładność wynoszącą 83%, drugą najwyższą dokładność na poziomie 96% i najwyższą dokładność wynoszącą 99%. Występowały także podobne mikrouśrednione wyniki AUROC w porównaniu z resztą w grupach o niskiej i wysokiej pewności.

Do badania włączono 391 pacjentów chorych na raka, z czego 276 było zgodnych, a 115 niezgodnych. Po okresie obserwacji zmarło 42% pacjentów, z czego 37% to pacjenci zgodni, a 53% to pacjenci niezgodni. Analiza przeżycia wykazała, że ​​pacjenci zgodni mieli znacząco wyższe przeżycie całkowite niż pacjenci niezgodni.

Niewłaściwe przygotowanie rozmazu i problemy z jakością obrazu, takie jak zagniecenia nacięcia, zanieczyszczenie lub nadmierne zabarwienie, mogą prowadzić do nadmiernej rozpoznawalności raka trzustki przez sztuczną inteligencję. Badacze mogą zaradzić tym brakom poprzez staranne ręczne przetwarzanie na każdym etapie przeglądu danych.

W przypadku raka jelita grubego większość obszaru obrazu zajmował śluz, co mogło spowodować, że model AI zignorował ten krytyczny aspekt w diagnozie.

Dyplom

Na podstawie wyników badania model TORCH, będący narzędziem sztucznej inteligencji, okazał się obiecujący w praktyce klinicznej w zakresie przewidywania pierwotnego pochodzenia komórek złośliwych w opłucnej i wodobrzuszu.

Potrafi odróżnić nowotwory złośliwe od chorób łagodnych, zlokalizować źródła raka i pomóc w podejmowaniu decyzji klinicznych u pacjentów z nowotworami nieznanego pochodzenia. Model wypadł dobrze w pięciu zestawach testów i uzyskał lepsze wyniki niż czterech patologów.

Może pomóc onkologom w wyborze terapii dla niezidentyfikowanych osób z CUP, głównie gruczolakorakiem, leczonych schematami chemioterapii empirycznej o szerokim spektrum działania.

Źródła: