Det nya AI-verktyget TORCH identifierar framgångsrikt orsaker till cancer i okända primära fall

Det nya AI-verktyget TORCH identifierar framgångsrikt orsaker till cancer i okända primära fall

I en nyligen publicerad studie publicerad i Nature Medicine utvecklade forskare en djupinlärningsmetod för differentiering av tumörursprung med hjälp av cytologisk histologi (TORCH) som upptäcker malignitet och förutsäger tumörursprung i hydrothorax och ascites med hjälp av cytologiska bilder från 57 220 patienter.

bakgrund

Cancer av okänd primär lokalisering (CUP) är maligna sjukdomar som diagnostiseras histopatologiskt som metastaser, men vars ursprung inte kan fastställas med konventionella diagnostiska metoder.

Dessa sjukdomar visar sig ofta som serösa utgjutningar och har en dålig prognos trots kombinationskemoterapi. Immunhistokemi förutspår det mest sannolika ursprunget till CUP; Men forskare kan upptäcka vissa fall med hjälp av immunfärgande cocktails. Den exakta identifieringen av primära platser är avgörande för framgångsrik och skräddarsydd terapi.

Om studien

I den aktuella studien presenterar forskare TORCH, en djupinlärningsalgoritm för att identifiera cancerutveckling baserat på cytologiska bilder av ascites och hydrothorax.

Forskarna tränade modellen med fyra oberoende djupa neurala nätverk, som kombinerades för att skapa 12 olika modeller. Med hjälp av cytologiska bilder försökte forskarna utveckla en artificiell intelligens-baserad diagnostisk modell för att förutsäga tumörutveckling hos personer med maligniteter och ascites eller hydrothorax-metastaser.

De testade och bekräftade AI-systemets prestanda med hjälp av cytologiprover från flera oberoende testset.

Från juni 2010 till oktober 2023 samlade forskare in data från 90 572 cellprovsbilder från 76 183 cancerpatienter vid fyra stora institutioner (Zhengzhou University First Hospital, Tianjin Medical University Cancer Institute och Hospital, Yantai Yuhuangding Hospital och Suzhou University First Hospital) som en del av deras utbildning. Data.

Luftvägssjukdomar representerade den högsta andelen (30 %, 17 058 patienter) av maligna grupperingar.

Karcinom stod för 57 % av fallen av ascites och hydrothorax, med adenokarcinom som den vanligaste gruppen (47 %, 27 006 patienter). Endast 0,6 % av skivepitelcancer metastaserade till ascites eller pleurautgjutning (n=346).

För att testa generaliserbarheten och tillförlitligheten av TORCH, inkluderade forskarna 4 520 patienter i följd från Tianjin Cancer Hospital (Tianjin-P datasetet) och 12 467 från Yantai Hospital (Yantai datasetet).

De valde slumpmässigt ut 496 cellutstryksbilder från tre interna testuppsättningar för att undersöka om TORCH kunde hjälpa unga patologer att förbättra sin prestation.

De jämförde yngre patologers prestation med TORCH med tidigare manuella tolkningsresultat för både yngre och senior patologer.

Forskare använde uppmärksamhetsvärmekartor för att tolka en AI-modell för cancerdetektering i 42 682 cellutstryksbilder från patienter vid tre stora tertiära remisssjukhus. Modellen utvärderades i verkliga scenarier med hjälp av externa testdatauppsättningar som inkluderade 495 foton.

Syftet med studien är att förbättra de diagnostiska färdigheterna hos unga patologer som använder TORCH. Ablationstestning utvärderade fördelarna med att inkorporera kliniska egenskaper för att förutsäga tumörursprung och undersökte sambandet mellan kliniska faktorer och cytologiska bilder.

Resultat

TORCH-modellen, en ny teknik för att förutsäga tumörursprung vid cancerdiagnos och lokalisering, utvärderades på olika datamängder.

Resultaten visade att TORCH hade ett totalt mikrogenomsnittligt ett-mot-viloområde-under-kurvan (AUROC)-värde på 0,97, med en topp-1-noggrannhet på 83% och en topp-3-noggrannhet på 99%. Detta förbättrade förutsägelseeffektiviteten för TORCH jämfört med patologer och ökade särskilt de diagnostiska resultaten för unga patologer.

Patienter med cancer av okänt ursprung vars initiala behandlingsmetod överensstämde med ursprunget som uppskattades av TORCH hade en högre total överlevnadsfrekvens än de som fick disharmonisk behandling. Modellen visade relativt tillförlitlig generalisering och kompatibilitet.

I kombination med fem testset uppnådde TORCH en topp-1-noggrannhet på 83%, en topp-2-noggrannhet på 96% och en topp-3-noggrannhet på 99%. Det fanns också liknande mikrogenomsnitt av en-mot-vila AUROC-poäng i låg- och högsäkerhetsgrupperna.

Studien omfattade 391 cancerpatienter, varav 276 var konkordanta och 115 var discordanta. Efter uppföljningsperioden dog 42% av patienterna, varav 37% var konkordanta patienter och 53% var diskordanta patienter. Överlevnadsanalys visade att konkordanta patienter hade signifikant högre total överlevnad än diskordanta.

Dålig förberedelse av utstryk och problem med bildkvaliteten, såsom skurna veck, kontaminering eller överfärgning, kan leda till AI-överdiagnostik av cancer i bukspottkörteln. Forskare kan åtgärda dessa brister genom noggrann manuell bearbetning under hela datagranskningssteget.

När det gäller tjocktarmscancer tog slem upp det mesta av bildytan, vilket kan ha fått AI-modellen att ignorera denna kritiska aspekt i diagnosen.

Diplom

Baserat på studieresultaten har TORCH-modellen, ett AI-verktyg, visat sig lovande i klinisk praxis för att förutsäga det primära systemets ursprung för maligna celler i hydrothorax och ascites.

Det kan skilja mellan maligna tumörer och godartade sjukdomar, lokalisera cancerkällor och hjälpa till i kliniskt beslutsfattande hos patienter med cancer av okänt ursprung. Modellen presterade bra i fem uppsättningar av tester och överträffade fyra patologer.

Det kan hjälpa onkologer att välja terapi för oidentifierade individer med CUP, främst adenokarcinom, som behandlas med bredspektrum empiriska kemoterapiregimer.

Källor: