Přesnost algoritmu hlubokého učení pro detekci a stratifikaci rizika plicních uzlů

Osteosarkom je považován za nejčastější maligní kostní nádor u dětí a dospívajících. Přibližně 15 % až 20 % pacientů s osteosarkomem má detekovatelné metastatické onemocnění a většina z nich (85 %) má plicní léze jako jediné místo metastázy. Předchozí studie ukázaly, že celková míra přežití u pacientů s lokalizovaným osteosarkomem bez metastatického onemocnění je přibližně 60 % až 70 %, zatímco míra přežití se u pacientů s metastatickým onemocněním snižuje na 10 % až 30 %. Ačkoli v poslední době mohou neoadjuvantní a adjuvantní chemoterapeutické režimy snížit mortalitu, 30 až 50 % pacientů stále umírá na plicní metastázy. Počet, distribuce a načasování plicních metastáz mají prognostickou hodnotu pro přežití, a proto zobrazení hrudníku počítačovou tomografií (CT) stále hraje zásadní roli při sledování onemocnění. V posledním desetiletí technologie multidetektorového CT skeneru posílila detekci četných menších plicních lézí, což na jedné straně může zvýšit diagnostickou senzitivitu pro plicní metastázy, nicméně může dojít ke snížení specificity. V posledních letech je horkým tématem algoritmus umělé inteligence (AI) v široké škále zobrazovacích vyšetření. V současné době se rychle vyvíjí a uvádí na trh rostoucí počet systémů počítačové diagnostiky (CAD) založených na technologiích hlubokého učení, jejichž cílem je rychlejší screening a správná interpretace plicních uzlů. Výzkumy zaměřené na zlepšení přesnosti klasifikace benigních/maligních uzlů zatím dosáhly značného pokroku, inspirovaného obrovským pokrokem v technikách hlubokého učení. V důsledku toho může většina stávajících CAD systémů provádět klasifikaci plicních uzlin s přesností vyšší než 90 %. V klinické praxi je pro léčbu pacienta zásadní nejen stanovení malignity pro plicní uzlík, ale také rozlišení primárního karcinomu a intrapulmonálních metastáz. Většina existující klasifikace plicního uzlu aplikovaná v systému CAD však zůstává binární (benigní versus maligní), protože chybí důkladnější klasifikace uzlu charakterizovaného štěpením primárního a metastatického uzlu. Pokud je nám známo, pouze několik studií se dosud zaměřilo na výkon CAD systému založeného na hlubokém učení pro identifikaci metastatického plicního uzlu. V této navrhované studii se výzkumníci snažili určit přesnost a citlivost jednoho počítačem podporovaného systému založeného na hloubkovém učení algoritmu umělé inteligence pro detekci a rizikovou stratifikaci plicních uzlů u pacientů s osteogenním sarkomem.