Studie proveditelnosti vývoje MoleGazer

Pozadí

Výskyt melanomu se rychle zvyšuje s 15 906 novými případy ve Spojeném království (UK) v roce 2015, což má za následek 2 285 úmrtí. Včasná diagnostika melanomu je zásadní, protože nemoc v raném stádiu má > 95 % 5letého relativního přežití ve srovnání s 8–25 % u pokročilého melanomu. Ve Spojeném království se předpokládá, že náklady na rakovinu kůže do roku 2020 překročí 180 milionů liber a budou představovat významnou nemocnost (a úmrtnost) postižených jedinců. Až 60 % melanomů vzniká z již existujících névů (krtků). Včasná detekce melanomu závisí na jedincích, kteří rozpoznají změny név, au jedinců s více névami na odborné posouzení těchto név vyškolenými dermatology pomocí diagnostických pomůcek, jako je dermoskopie (zvětšení x 10). Kromě toho existují důkazy, že sekvenční sledování név také zvyšuje míru detekce melanomu.

Total body photography (TBP) je diagnostická pomůcka pro sledování mnohočetných névů

U pacientů s vysokým rizikem rozvoje melanomu s mnohočetnými névy (>60) se jako pomůcka ke sledování, porovnávání a sledování névů používá celková fotografie těla (TBP) (standardizované snímky částí těla pořízené fotoaparátem s vysokým rozlišením). čas a bylo prokázáno, že zlepšuje diagnostiku melanomu. Doporučené krátkodobé sledování név je 3 měsíce, ale je většinou omezeno na jednotlivé léze. V National Health Service (NHS) s omezenými zdroji je častý dohled dermatologa na mnohočetné névy nepraktický a neefektivní, takže včasná diagnostika melanomu účinně spoléhá na sebekontrolu pacienta. Potenciálním řešením je automatizovaná analýza snímků TBP s využitím umělé inteligence (AI) ke sledování a monitorování naevi v průběhu času.

Umělá inteligence použitá na TBP by mohla zlepšit efektivitu „mapování krtků“

Předchozí hodnocení kožních lézí pomocí umělé inteligence prokázalo stejnou přesnost jako vyškolení dermatologové v diagnostice rakoviny kůže, toto se však spoléhalo na analýzu jednotlivých lézí ve statických časových bodech (s diagnózami ověřenými biopsií). Použití lézí plánovaných k excizi (tj. vysoké klinické podezření na melanom) vážně omezuje klinickou použitelnost a Cochranův přehled dospěl k závěru, že užitečnost počítačově podporované detekce pro diagnostiku melanomu v sekundární péči zůstává neznámá. Klinicky relevantnější otázkou je, zda automatizovaná detekce změn v névách pomocí sekvenčního zobrazení TBP, klinicky označovaného jako „mapování krtků“, může skutečně zlepšit včasnou diagnostiku melanomu.

K dnešnímu dni mají systémy TBP v NHS omezenou automatizaci, omezenou na ukládání a získávání snímků. Ačkoli existuje jeden automatizovaný systém skenování celého těla a v budoucnu může kromě současných algoritmů získávání snímků a porovnávání lézí zahrnovat diagnostiku na základě umělé inteligence, úplné klinické ověření a jakákoli následná implementace v NHS bude nákladná kvůli investicím požadovaným do skenovací systém (aktuální náklady 1 milion USD). Není známo, zda lze stejných nebo lepších výsledků dosáhnout pomocí konvenčnějšího zařízení pro pořizování snímků a sofistikovaných technik umělé inteligence. Vyšetřovatelé navrhují novou aplikaci astronomických metod AI pro časnou detekci melanomu pomocí standardního sledování névů na bázi TBP, které se v současnosti používá v NHS a může být použito jako doplněk ke klinickému hodnocení jednotlivců.

Aplikace astronomických technik AI na TBP monitorování více névů

Přechodná věda v astronomii se zaměřuje na detekci a sledování vývoje nových astronomických zdrojů, jako jsou explodující hvězdy. Díky dlouhodobému i krátkodobému vývoji jsou jednotlivé události detekovány porovnáním nových snímků s archivními daty a klasifikovány na základě sady funkcí, včetně přechodného jasu, barvy, správného pohybu a rozsahu. Nejmodernější astronomické průzkumy sledují oblohu každou noc v několikaletých časových osách, aby identifikovaly jemné změny. Techniky umělé inteligence (jako jsou náhodné lesy a rekurentní neuronové sítě; RNN), které využívají úplnou historii časové řady a kontextové informace, se běžně používají k identifikaci a pravděpodobnostní klasifikaci událostí. S každým novým pozorováním, které poskytuje další informace, mohou astronomické přechodové průzkumy běžně detekovat a charakterizovat nové zdroje, takže vývoj nových zdrojů lze předpovídat s 99,5% přesností na základě pouhých tří časových bodů.

Tato výzva, jíž čelí astronomie, je analogická s „mapováním krtků“ pro jedince s vysokým rizikem rozvoje melanomu; jak naevi, tak astronomické zdroje mohou být charakterizovány jako odlišné zdroje na homogenním pozadí, které jsou sledovány na více snímcích za účelem detekce změn. Vyšetřovatelé proto předpokládají, že techniky astronomické umělé inteligence jsou ideální pro řešení tohoto klinického problému a vyvíjejí projekt MoleGazer, který to otestuje.

Odůvodnění

K vývoji algoritmu MoleGazer vyšetřovatelé požadují základní datovou sadu pro aplikaci astronomických algoritmů AI na snímky TBP pro detekci a sledování név na sekvenčních snímcích. V současné době neexistují žádné veřejně dostupné databáze snímků TBP, aby vyšetřovatelé mohli tuto proveditelnost otestovat, a proto je v této studii cílem shromáždit:

1. kohorta časových řad snímků TBP pořízených v pevných sekvenčních časových bodech po dobu 2 let
2. základní kohorta snímků TBP se sekvenčními snímky pořízenými v libovolném časovém bodě Sběr snímků TBP umožní vyšetřovatelům studovat citlivost detekce a charakterizace névů na odstínu pleti, úrovních osvětlení, registraci snímků a technikách odečítání pozadí, což jim umožní také automatizovat detekci névů a sledovat jejich vývoj v jakémkoli sekvenčním snímku, který má studijní tým. Vývoj této databáze umožní vyšetřovatelům prokázat proveditelnost aplikace astronomických metod umělé inteligence na snímky TBP.