Nova ferramenta de IA TORCH” identifica com sucesso causas de câncer em casos primários desconhecidos

Nova ferramenta de IA TORCH” identifica com sucesso causas de câncer em casos primários desconhecidos

Num estudo recente publicado na Nature Medicine, os investigadores desenvolveram uma abordagem de aprendizagem profunda para a diferenciação da origem do tumor utilizando histologia citológica (TORCH) que detecta malignidade e prevê a origem do tumor no hidrotórax e ascite utilizando imagens citológicas de 57.220 pacientes.

fundo

Os cânceres de localização primária desconhecida (CUP) são doenças malignas diagnosticadas histopatologicamente como metástases, mas cuja origem não pode ser determinada por métodos diagnósticos convencionais.

Estas doenças manifestam-se frequentemente como derrames serosos e têm um prognóstico desfavorável, apesar da quimioterapia combinada. A imunohistoquímica prevê a origem mais provável do CUP; No entanto, os pesquisadores podem detectar alguns casos usando coquetéis de imunocoloração. A identificação precisa dos locais primários é crucial para uma terapia personalizada e bem-sucedida.

Sobre o estudo

No presente estudo, os pesquisadores apresentam o TORCH, um algoritmo de aprendizagem profunda para identificar o desenvolvimento do câncer com base em imagens citológicas de ascite e hidrotórax.

Os pesquisadores treinaram o modelo usando quatro redes neurais profundas independentes, que foram combinadas para criar 12 modelos diferentes. Usando imagens citológicas, os pesquisadores tentaram desenvolver um modelo de diagnóstico baseado em inteligência artificial para prever o desenvolvimento de tumores em pessoas com doenças malignas e ascite ou metástases de hidrotórax.

Eles testaram e confirmaram o desempenho do sistema de IA usando amostras de esfregaços citológicos de vários conjuntos de testes independentes.

De junho de 2010 a outubro de 2023, os pesquisadores coletaram dados de 90.572 imagens de esfregaços citológicos de 76.183 pacientes com câncer em quatro grandes instituições (Primeiro Hospital da Universidade de Zhengzhou, Instituto e Hospital do Câncer da Universidade Médica de Tianjin, Hospital Yantai Yuhuangding e Primeiro Hospital da Universidade de Suzhou) como parte de seu treinamento. Dados.

As doenças respiratórias representaram o maior percentual (30%, 17.058 pacientes) dos agrupamentos malignos.

Os carcinomas representaram 57% dos casos de ascite e hidrotórax, sendo os adenocarcinomas o grupo mais comum (47%, 27.006 pacientes). Apenas 0,6% dos carcinomas espinocelulares metastatizaram para ascite ou derrame pleural (n=346).

Para testar a generalização e a confiabilidade do TORCH, os pesquisadores incluíram 4.520 pacientes consecutivos do Tianjin Cancer Hospital (o conjunto de dados Tianjin-P) e 12.467 do Yantai Hospital (o conjunto de dados Yantai).

Eles selecionaram aleatoriamente 496 imagens de esfregaços citológicos de três conjuntos de testes internos para investigar se o TORCH poderia ajudar jovens patologistas a melhorar seu desempenho.

Eles compararam o desempenho de patologistas juniores usando o TORCH com resultados de interpretação manual anteriores para patologistas juniores e seniores.

Os pesquisadores usaram mapas de calor de atenção para interpretar um modelo de IA para detecção de câncer em 42.682 imagens de esfregaços citológicos de pacientes em três grandes hospitais terciários de referência. O modelo foi avaliado em cenários do mundo real usando conjuntos de dados de teste externos que incluíam 495 fotos.

O objetivo do estudo é melhorar as habilidades diagnósticas de jovens patologistas usando o TORCH. Os testes de ablação avaliaram os benefícios da incorporação de características clínicas na previsão da origem do tumor e examinaram a associação entre fatores clínicos e imagens citológicas.

Resultados

O modelo TORCH, uma nova técnica para prever a origem do tumor no diagnóstico e localização do câncer, foi avaliado em vários conjuntos de dados.

Os resultados mostraram que o TORCH teve um valor geral micro-médio de uma área versus área de descanso sob a curva (AUROC) de 0,97, com uma precisão top-1 de 83% e uma precisão top-3 de 99%. Isto melhorou a eficiência de previsão do TORCH em comparação com os patologistas e aumentou especialmente os resultados diagnósticos de jovens patologistas.

Pacientes com câncer de origem desconhecida cuja abordagem inicial de tratamento foi consistente com as origens estimadas pelo TORCH tiveram uma taxa de sobrevida global mais alta do que aqueles que receberam terapia discordante. O modelo mostrou generalização e compatibilidade relativamente confiáveis.

Combinado com cinco conjuntos de testes, o TORCH alcançou uma precisão top-1 de 83%, uma precisão top-2 de 96% e uma precisão top-3 de 99%. Houve também pontuações AUROC micro-médias semelhantes em comparação com o repouso nos grupos de baixa e alta certeza.

O estudo incluiu 391 pacientes com câncer, dos quais 276 eram concordantes e 115 eram discordantes. Após o período de acompanhamento, 42% dos pacientes morreram, dos quais 37% eram pacientes concordantes e 53% eram pacientes discordantes. A análise de sobrevivência revelou que os pacientes concordantes tiveram uma sobrevida global significativamente maior do que os discordantes.

A má preparação do esfregaço e problemas de qualidade de imagem, como vincos cortados, contaminação ou coloração excessiva, podem levar ao sobrediagnóstico de câncer de pâncreas por IA. Os pesquisadores podem resolver essas deficiências por meio de um processamento manual cuidadoso durante toda a etapa de revisão dos dados.

No caso do câncer de cólon, o muco ocupou a maior parte da área da imagem, o que pode ter feito com que o modelo de IA ignorasse esse aspecto crítico no diagnóstico.

Diploma

Com base nos resultados do estudo, o modelo TORCH, uma ferramenta de IA, mostrou-se promissor na prática clínica para prever a origem do sistema primário de células malignas no hidrotórax e na ascite.

Pode diferenciar entre tumores malignos e doenças benignas, localizar fontes de câncer e auxiliar na tomada de decisões clínicas em pacientes com câncer de origem desconhecida. O modelo teve um bom desempenho em cinco conjuntos de testes e superou quatro patologistas.

Pode ajudar os oncologistas na seleção da terapia para indivíduos não identificados com CUP, principalmente adenocarcinoma, tratados com regimes de quimioterapia empírica de amplo espectro.

Fontes: