Novo orodje AI TORCH uspešno identificira vzroke raka v neznanih primarnih primerih

Novo orodje AI TORCH uspešno identificira vzroke raka v neznanih primarnih primerih

V nedavni študiji, objavljeni v Nature Medicine, so raziskovalci razvili pristop globokega učenja k diferenciaciji izvora tumorja z uporabo citološke histologije (TORCH), ki odkrije malignost in napove izvor tumorja v hidrotoraksu in ascitesu z uporabo citoloških slik 57.220 bolnikov.

ozadje

Raki neznane primarne lokacije (CUP) so maligne bolezni, ki jih histopatološko diagnosticiramo kot metastaze, vendar jim s klasičnimi diagnostičnimi metodami ni mogoče ugotoviti izvora.

Te bolezni se pogosto kažejo kot serozni izlivi in ​​imajo kljub kombinirani kemoterapiji slabo prognozo. Imunohistokemija napove najverjetnejši izvor CUP; Vendar pa lahko raziskovalci odkrijejo nekatere primere z uporabo koktajlov za imunsko barvanje. Natančna identifikacija primarnih lokacij je ključnega pomena za uspešno in prilagojeno terapijo.

O študiju

V tej študiji raziskovalci predstavljajo TORCH, algoritem globokega učenja za prepoznavanje razvoja raka na podlagi citoloških slik ascitesa in hidrotoraksa.

Raziskovalci so usposobili model z uporabo štirih neodvisnih globokih nevronskih mrež, ki so bile združene v 12 različnih modelov. Z uporabo citoloških slik so raziskovalci poskušali razviti diagnostični model, ki temelji na umetni inteligenci, za napovedovanje razvoja tumorja pri ljudeh z malignimi boleznimi in metastazami ascitesa ali hidrotoraksa.

Preizkusili in potrdili so delovanje sistema AI z uporabo primerkov citoloških brisov iz več neodvisnih testnih sklopov.

Od junija 2010 do oktobra 2023 so raziskovalci v okviru svojega usposabljanja zbrali podatke iz 90.572 slik citoloških brisov 76.183 bolnikov z rakom v štirih večjih ustanovah (Prva bolnišnica Zhengzhou University, Tianjin Medical University Cancer Institute and Hospital, Yantai Yuhuangding Hospital in Suzhou University First Hospital). podatki.

Bolezni dihal predstavljajo največji odstotek (30 %, 17.058 bolnikov) malignih skupin.

Karcinomi so predstavljali 57 % primerov ascitesa in hidrotoraksa, pri čemer so bili adenokarcinomi najpogostejša skupina (47 %, 27.006 bolnikov). Samo 0,6 % ploščatoceličnih karcinomov je metastaziralo v ascites ali plevralni izliv (n=346).

Da bi preizkusili posplošljivost in zanesljivost TORCH, so raziskovalci vključili 4.520 zaporednih bolnikov iz bolnišnice za raka Tianjin (nabor podatkov Tianjin-P) in 12.467 iz bolnišnice Yantai (nabor podatkov Yantai).

Naključno so izbrali 496 slik citoloških brisov iz treh internih nizov testov, da bi raziskali, ali lahko TORCH pomaga mladim patologom izboljšati njihovo učinkovitost.

Primerjali so učinkovitost mlajših patologov z uporabo TORCH s prejšnjimi rezultati ročne interpretacije tako za mlajše kot starejše patologe.

Raziskovalci so uporabili toplotne karte pozornosti za interpretacijo modela umetne inteligence za odkrivanje raka v 42.682 slikah citoloških brisov bolnikov v treh velikih terciarnih referenčnih bolnišnicah. Model je bil ovrednoten v scenarijih resničnega sveta z uporabo zunanjih testnih naborov podatkov, ki so vključevali 495 fotografij.

Cilj študije je izboljšati diagnostične sposobnosti mladih patologov z uporabo TORCH. Testiranje ablacije je ocenilo prednosti vključitve kliničnih značilnosti pri napovedovanju izvora tumorja in preučilo povezavo med kliničnimi dejavniki in citološkimi slikami.

Rezultati

Model TORCH, nova tehnika za napovedovanje izvora tumorja pri diagnozi in lokalizaciji raka, je bil ocenjen na različnih zbirkah podatkov.

Rezultati so pokazali, da je TORCH imel splošno mikropovprečno vrednost 0,97 površine pod krivuljo (AUROC) z 83-odstotno natančnostjo top-1 in 99-odstotno natančnostjo top-3. To je izboljšalo napovedno učinkovitost TORCH v primerjavi s patologi in še posebej povečalo diagnostične rezultate mladih patologov.

Bolniki z rakom neznanega izvora, katerih začetni pristop zdravljenja je bil skladen z izvorom, ki ga je ocenil TORCH, so imeli višjo splošno stopnjo preživetja kot tisti, ki so prejemali neskladno terapijo. Model je pokazal relativno zanesljivo posplošitev in združljivost.

V kombinaciji s petimi preskusnimi sklopi je TORCH dosegel natančnost top-1 83%, natančnost top-2 96% in natančnost top-3 99%. V skupinah z nizko in visoko zanesljivostjo so bili tudi podobni mikropovprečni rezultati AUROC ena proti preostalim.

Študija je zajela 391 bolnikov z rakom, od tega jih je bilo 276 skladnih in 115 neskladnih. Po obdobju spremljanja je umrlo 42 % bolnikov, od tega 37 % konkordantnih bolnikov in 53 % neskladnih bolnikov. Analiza preživetja je pokazala, da so imeli konkordantni bolniki bistveno višje celotno preživetje kot diskordantni.

Slaba priprava brisa in težave s kakovostjo slike, kot so vrezane gube, kontaminacija ali prebarvanje, lahko privedejo do pretirane diagnoze raka trebušne slinavke z umetno inteligenco. Raziskovalci lahko odpravijo te pomanjkljivosti s skrbno ročno obdelavo v celotnem koraku pregleda podatkov.

V primeru raka debelega črevesa je sluz zavzela večino območja slike, kar je morda povzročilo, da je model AI prezrl ta kritični vidik pri diagnozi.

Diploma

Na podlagi rezultatov študije se je model TORCH, orodje z umetno inteligenco, izkazal za obetavnega v klinični praksi za napovedovanje primarnega sistemskega izvora malignih celic v hidrotoraksu in ascitesu.

Lahko razlikuje med malignimi tumorji in benignimi boleznimi, locira vire raka in pomaga pri kliničnem odločanju pri bolnikih z rakom neznanega izvora. Model se je dobro odrezal v petih nizih testov in prekašal štiri patologe.

Onkologom lahko pomaga pri izbiri terapije za neznane posameznike s CUP, predvsem adenokarcinomom, ki se zdravijo z empiričnimi režimi kemoterapije širokega spektra.

Viri: