Nový nástroj AI TORCH úspešne identifikuje príčiny rakoviny v neznámych primárnych prípadoch

Nový nástroj AI TORCH úspešne identifikuje príčiny rakoviny v neznámych primárnych prípadoch

V nedávnej štúdii publikovanej v Nature Medicine výskumníci vyvinuli prístup hlbokého učenia k diferenciácii pôvodu nádoru pomocou cytologickej histológie (TORCH), ktorá zisťuje malignitu a predpovedá vznik nádoru v hydrotoraxe a ascite pomocou cytologických snímok od 57 220 pacientov.

pozadia

Nádory neznámej primárnej lokalizácie (CUP) sú zhubné ochorenia, ktoré sa histopatologicky diagnostikujú ako metastázy, ale ktorých pôvod nie je možné určiť konvenčnými diagnostickými metódami.

Tieto ochorenia sa často prejavujú ako serózne výpotky a majú zlú prognózu napriek kombinovanej chemoterapii. Imunohistochémia predpovedá najpravdepodobnejší pôvod CUP; Vedci však môžu odhaliť niektoré prípady pomocou imunofarbiacich koktailov. Presná identifikácia primárnych miest je kľúčová pre úspešnú a prispôsobenú terapiu.

O štúdiu

V tejto štúdii výskumníci predstavujú TORCH, algoritmus hlbokého učenia na identifikáciu vývoja rakoviny na základe cytologických snímok ascitu a hydrotoraxu.

Výskumníci trénovali model pomocou štyroch nezávislých hlbokých neurónových sietí, ktoré sa spojili a vytvorili 12 rôznych modelov. Pomocou cytologických snímok sa vedci pokúsili vyvinúť diagnostický model založený na umelej inteligencii na predpovedanie vývoja nádoru u ľudí s malignitami a ascitom alebo metastázami hydrotoraxu.

Testovali a potvrdili výkonnosť systému AI pomocou inštancií cytologických tampónov z viacerých nezávislých testovacích súprav.

Od júna 2010 do októbra 2023 výskumníci v rámci svojho školenia zozbierali údaje z 90 572 cytologických snímok od 76 183 pacientov s rakovinou v štyroch veľkých inštitúciách (Prvá nemocnica Zhengzhou University, Inštitút a nemocnica lekárskej univerzity v Tianjine, nemocnica Yantai Yuhuangding a prvá nemocnica v Suzhou). Údaje.

Ochorenia dýchacích ciest predstavovali najvyššie percento (30 %, 17 058 pacientov) z malígnych skupín.

Karcinómy tvorili 57 % prípadov ascitu a hydrotoraxu, pričom najčastejšou skupinou boli adenokarcinómy (47 %, 27 006 pacientov). Len 0,6 % spinocelulárnych karcinómov metastázovalo do ascitu alebo pleurálneho výpotku (n=346).

Na testovanie zovšeobecniteľnosti a spoľahlivosti TORCH výskumníci zahrnuli 4 520 po sebe nasledujúcich pacientov z nemocnice Tianjin Cancer Hospital (údajový súbor Tianjin-P) a 12 467 z nemocnice Yantai (údajový súbor Yantai).

Náhodne vybrali 496 obrázkov cytologických náterov z troch interných testovacích súborov, aby zistili, či TORCH môže pomôcť mladým patológom zlepšiť ich výkon.

Porovnali výkon mladších patológov pomocou TORCH s predchádzajúcimi výsledkami manuálnej interpretácie pre mladších aj starších patológov.

Výskumníci použili tepelné mapy pozornosti na interpretáciu modelu AI na detekciu rakoviny v 42 682 obrázkoch cytologických náterov od pacientov v troch veľkých terciárnych nemocniciach. Model bol vyhodnotený v reálnych scenároch pomocou externých testovacích dátových súborov, ktoré obsahovali 495 fotografií.

Cieľom štúdie je zlepšiť diagnostické schopnosti mladých patológov pomocou TORCH. Ablačné testovanie vyhodnotilo výhody začlenenia klinických znakov do predpovedania pôvodu nádoru a skúmalo súvislosť medzi klinickými faktormi a cytologickými obrazmi.

Výsledky

Model TORCH, nová technika na predpovedanie pôvodu nádoru pri diagnostike a lokalizácii rakoviny, sa hodnotil na rôznych súboroch údajov.

Výsledky ukázali, že TORCH mal celkovú mikropriemernú hodnotu jedna verzus oddychová plocha pod krivkou (AUROC) 0,97, s presnosťou top-1 83 % a presnosťou top-3 99 %. Tým sa zlepšila predikčná účinnosť TORCH v porovnaní s patológmi a najmä sa zvýšili diagnostické výsledky mladých patológov.

Pacienti s rakovinou neznámeho pôvodu, ktorých počiatočný liečebný prístup bol v súlade s pôvodom odhadnutým pomocou TORCH, mali vyššiu celkovú mieru prežitia ako pacienti, ktorí dostávali nezhodnú liečbu. Model vykazoval pomerne spoľahlivé zovšeobecnenie a kompatibilitu.

V kombinácii s piatimi testovacími sadami dosiahol TORCH presnosť top-1 83%, top-2 presnosť 96% a top-3 presnosť 99%. V skupinách s nízkou a vysokou istotou boli tiež podobné mikropriemerné skóre AUROC jedna versus zvyšok.

Štúdia zahŕňala 391 pacientov s rakovinou, z ktorých 276 bolo súhlasných a 115 nesúhlasných. Po období sledovania zomrelo 42 % pacientov, z toho 37 % súhlasných pacientov a 53 % nesúladných pacientov. Analýza prežitia odhalila, že zhodní pacienti mali významne vyššie celkové prežívanie ako nezhodní pacienti.

Nedostatočná príprava náteru a problémy s kvalitou obrazu, ako sú orezané záhyby, kontaminácia alebo nadmerné zafarbenie, môžu viesť k nadmernej diagnóze rakoviny pankreasu AI. Výskumníci môžu tieto nedostatky odstrániť starostlivým manuálnym spracovaním počas celého kroku kontroly údajov.

V prípade rakoviny hrubého čreva zaberal hlien väčšinu plochy snímky, čo mohlo spôsobiť, že model AI ignoroval tento kritický aspekt v diagnostike.

Diplom

Na základe výsledkov štúdie sa model TORCH, nástroj AI, ukázal v klinickej praxi ako sľubný na predpovedanie primárneho systémového pôvodu malígnych buniek v hydrotoraxe a ascite.

Dokáže rozlíšiť medzi malígnymi nádormi a benígnymi ochoreniami, lokalizovať zdroje rakoviny a pomôcť pri klinickom rozhodovaní u pacientov s rakovinou neznámeho pôvodu. Model fungoval dobre v piatich súboroch testov a prekonal štyroch patológov.

Môže pomôcť onkológom pri výbere terapie pre neidentifikovaných jedincov s CUP, predovšetkým adenokarcinómom, liečených širokospektrálnymi empirickými režimami chemoterapie.

Zdroje: