AI detekce nádorů močového měchýře pod endoskopií

Souvislosti výzkumu Rakovina močového měchýře je celosvětově devátým nejčastějším zhoubným nádorem s odhadem 430 000 nových případů diagnostikovaných ročně. Standardní diagnostika a monitorování rakoviny močového měchýře se opírá o cystoskopii bílého světla (WLC), s více než 2 miliony cystoskopií provedených ročně ve Spojených státech a v Evropě. Vzhledem k vysoké míře recidivy rakoviny močového měchýře je nutné časté sledování a intervence.

Včasná detekce a kompletní resekce nesvalově invazivního karcinomu močového měchýře může snížit recidivu a progresi. Až 40 % pacientů s multifokálním onemocněním však nedosáhne kompletní resekce během iniciální transuretrální resekce tumoru močového měchýře (TURBT). Mnoho papilárních nádorů a plochých lézí je obtížné identifikovat pomocí WLC. Existuje naléhavá potřeba nákladově efektivních, neinvazivních a uživatelsky přívětivých doplňkových zobrazovacích technologií pro řešení diagnostických nedostatků WLC.

Nedávné pokroky v automatizovaném zpracování obrazu založeném na hlubokém učení mohou poskytnout nová řešení omezení cystoskopie. Konvoluční neuronové sítě (CNN) mají schopnost učit se složité vztahy a integrovat stávající znalosti do modelů, které ukazují potenciální aplikace v různých oblastech, včetně diagnostiky nádoru močového měchýře. Použili jsme algoritmus HRNet, konvoluční neuronovou síť, pro lepší detekci nádoru močového měchýře.

Výzkumný proces 4.1 Kritéria pro zařazení do kohorty pacientů: 1. Pacienti, kteří měli nádor močového měchýře a podstoupili WLC nebo TURBT, a celé video o operaci je k dispozici.

Kritéria vyloučení: 1. Video je příliš rozmazané, než aby bylo možné rozlišit normální stěnu močového měchýře a nádor močového měchýře. 2. Nedostatek výskytu nádoru močového měchýře před resekcí. 3. Nedostatek informovaného souhlasu.

Informace o pacientovi ve videích se nezobrazí. Pro vývoj algoritmu budou použita videa od původně přijatých 200 pacientů s nádorem močového měchýře. Pro ověření algoritmu se používají videa od dalších 100 pacientů.

4.2 Předzpracování dat Pro snížení objemu dat vyjmeme snímek v poměru 1:4. Dva urologové načrtnou hranici nádorů močového měchýře v každém snímku samostatně a vzájemně se kontrolují. Algoritmus AI se používá ke konturování stejných nádorů močového měchýře. Jsou porovnány obrysy nádoru močového měchýře anotované urology a algoritmus, analyzována hodnota IOU, přesnost, senzitivita a četnost falešně negativních výsledků.

4.3 Vývoj algoritmu Tato studie využívá sémantickou segmentaci k identifikaci nádorů močového měchýře u WLC. Síťová struktura D-LinkNet používala jako kodér předem trénovaný ResNet34 na datové sadě ImageNet, přičemž centrální část využívala dilatované konvoluce s různými rychlostmi dilatace kaskádovým způsobem a převzorkování se provádělo pomocí dekonvoluce. Původní rozlišení všech obrázků je 1920 × 1080, převzorkováno o 2 na 960 × 540 a ve směru šířky doplněno nulami, aby se získal obrázek s rozlišením 960 × 544. Obrazy RGB této velikosti byly před vložením do sítě normalizovány, odečteny od střední hodnoty a rozděleny podle rozptylu. Obrazy procházejí pěti procesy kódování, dilatovanými konvolucemi a pěti procesy dekódování, které nakonec produkují výsledek predikce 960 × 544, který byl dále zpracován. V tomto výzkumu byla nastavení parametrů následující: velikost dávky 8, optimalizátor Adam, rychlost učení 0,001. Tréninkovým prostředím byl GPU NVIDIA TITAN Xp.

4.4 Interpretace výsledků Průnik přes sjednocení (IOU) je klíčovým standardem pro hodnocení schopnosti rozpoznávání jednoho snímku při rozpoznávání obrazu. Když je IOU nad prahovou hodnotou, naznačuje to, že model detekuje objekt úspěšně, což znamená, že je skutečně pozitivní. Když IOU nemůže dosáhnout prahové hodnoty, naznačuje to, že model nedokáže detekovat objekt, což ukazuje na falešně negativní. Pokud se předpověď na obrázku objeví bez základní pravdy, je považována za falešně pozitivní. V testovací sadě vypočítáme citlivost a přesnost modelu. Koeficient kostky měří podobnost mezi dvěma vzorky. Vyšší průměrný koeficient Dice indikuje lepší detekční výkon modelu.

4.5 Ukazatele pozorování

① Video anotace a klasifikace: stav anotace a výsledky klasifikace rozlišitelnosti rozpoznávání RLN pro tréninková a testovací videa z operací; ② Po seskupení a trénování sledujte citlivost modelu, přesnost, četnost falešně negativních, falešně pozitivních a průměrný Dice koeficient při prahových hodnotách IoU 0,1 a 0,5 v testovací sadě v různých skupinách rozlišitelnosti.

4.6 Statistické metody Analýza bude analyzována pomocí R 4.0.2 software, budou data vyjádřena jako absolutní čísla nebo procenta.