新人工智能工具TORCH”成功识别原发病例不明的癌症原因

新人工智能工具TORCH”成功识别原发病例不明的癌症原因

在《自然医学》最近发表的一项研究中，研究人员开发了一种利用细胞学组织学 (TORCH) 进行肿瘤起源分化的深度学习方法，该方法利用 57,220 名患者的细胞学图像检测胸水和腹水中的恶性肿瘤并预测肿瘤起源。

背景

原发部位不明的癌症（CUP）是经组织病理学诊断为转移瘤的恶性疾病，但使用常规诊断方法无法确定其起源。

这些疾病通常表现为浆液性积液，尽管进行联合化疗，预后仍较差。 免疫组织化学预测 CUP 最可能的起源； 然而，研究人员可以使用免疫染色混合物来检测某些病例。 准确识别主要位置对于成功和量身定制的治疗至关重要。

关于该研究

在本研究中，研究人员提出了 TORCH，这是一种基于腹水和胸水的细胞学图像识别癌症发展的深度学习算法。

研究人员使用四个独立的深度神经网络训练模型，将它们组合起来创建 12 个不同的模型。 研究人员试图利用细胞学图像开发一种基于人工智能的诊断模型来预测患有恶性肿瘤和腹水或胸水转移的患者的肿瘤发展。

他们使用来自多个独立测试集的细胞学拭子实例测试并确认了 AI 系统的性能。

2010年6月至2023年10月，研究人员收集了四大机构（郑州大学第一医院、天津医科大学肿瘤医院、烟台毓璜顶医院和苏州大学第一医院）76,183名癌症患者的90,572张细胞学涂片数据作为培训的一部分。数据。

呼吸系统疾病在恶性疾病中所占比例最高（30%，17,058 名患者）。

癌占腹水和胸水病例的 57%，其中腺癌是最常见的组（47%，27,006 名患者）。 只有 0.6% 的鳞状细胞癌转移为腹水或胸腔积液 (n=346)。

为了测试 TORCH 的普遍性和可靠性，研究人员纳入了来自天津肿瘤医院的 4,520 名连续患者（天津-P 数据集）和来自烟台医院的 12,467 名患者（烟台数据集）。

他们从三个内部测试集中随机选择了 496 张细胞学涂片图像，以研究 TORCH 是否可以帮助年轻病理学家提高他们的表现。

他们将初级病理学家使用 TORCH 的表现与之前初级和高级病理学家的手动解释结果进行了比较。

研究人员使用注意力热图来解释人工智能模型，该模型在来自三个大型三级转诊医院的患者的 42,682 张细胞学涂片图像中进行癌症检测。 该模型使用包含 495 张照片的外部测试数据集在现实场景中进行了评估。

该研究的目的是提高年轻病理学家使用 TORCH 的诊断技能。 消融测试评估了结合临床特征来预测肿瘤起源的好处，并检查了临床因素和细胞学图像之间的关联。

结果

TORCH 模型是一种在癌症诊断和定位中预测肿瘤起源的新技术，在各种数据集上进行了评估。

结果显示，TORCH 的整体微平均曲线下面积对比 (AUROC) 值为 0.97，top-1 准确度为 83%，top-3 准确度为 99%。 与病理学家相比，这提高了 TORCH 的预测效率，特别是提高了年轻病理学家的诊断结果。

初始治疗方法与 TORCH 估计的起源一致的不明来源癌症患者的总生存率高于接受不一致治疗的患者。 该模型表现出相对可靠的泛化性和兼容性。

结合五个测试集，TORCH 实现了 83% 的 top-1 准确率、96% 的 top-2 准确率和 99% 的 top-3 准确率。 在低确定性组和高确定性组中也存在类似的微平均一对一 AUROC 分数。

该研究纳入了 391 名癌症患者，其中 276 名结果一致，115 名结果不一致。 随访期结束后，42%的患者死亡，其中37%为一致患者，53%为不一致患者。 生存分析显示，一致的患者的总体生存率显着高于不一致的患者。

涂片准备不良和图像质量问题（例如切口折痕、污染或过度染色）可能会导致人工智能对胰腺癌的过度诊断。 研究人员可以通过在整个数据审查步骤中仔细的手动处理来解决这些缺陷。

就结肠癌而言，粘液占据了大部分图像区域，这可能导致人工智能模型在诊断中忽略了这一关键方面。

文凭

基于研究结果，人工智能工具TORCH模型在临床实践中显示出预测胸腹水恶性细胞的主要系统起源的前景。

它可以区分恶性肿瘤和良性疾病，定位癌症来源，并帮助不明来源癌症患者的临床决策。 该模型在五组测试中表现良好，优于四位病理学家。

它可以帮助肿瘤学家为身份不明的 CUP（主要是腺癌）个体选择治疗方案，并接受广谱经验性化疗方案治疗。

资料来源：