Nekontrastní CT s podporou umělé inteligence pro screening více rakovin

Rakovina se v Číně stala hlavním problémem veřejného zdraví, který vážně ovlivňuje zdraví populace, ekonomiku a sociální rozvoj. V roce 2022 se odhaduje 4,82 milionu nových případů rakoviny a 2,57 milionu úmrtí souvisejících s rakovinou. Rakovina plic, rakovina jater, rakovina žaludku, kolorektální rakovina, rakovina jícnu, rakovina slinivky břišní a rakovina prsu jsou sedm hlavních příčin úmrtnosti související s rakovinou. Úspěšná strategie časnější detekce by pacientům umožnila přijímat včasné intervence, zlepšit výsledky léčby, prodloužit celkové přežití a snížit složitost a náklady na léčbu.

V této studii provedeme rozsáhlou, prospektivní, multicentrickou kohortovou studii, jejímž cílem je vyhodnotit užitečnost nekontrastní CT za pomoci AI pro screening více rakovin. Populaci tvoří jednotlivci, kteří podstoupili nekontrastní CT vyšetření břicha nebo hrudníku v Meinian Onehealth Health Examination Center nebo Shanghai Changhai Health Examination Center, s očekávaným počtem 1 milionu účastníků. Model multikancerogenního screeningu prostřednictvím nekontrastní CT, vyvinutý Alibaba DAMO Academy, bude integrován do systému PACS středisek zdravotních vyšetření. Zobrazovací model AI bude použit k automatické detekci různých rakovinných lézí, včetně rakoviny plic, rakoviny jater, rakoviny žaludku, rakoviny tlustého střeva a konečníku, rakoviny jícnu, rakoviny slinivky břišní a rakoviny prsu. Subjekty identifikované s pozitivními lézemi podle modelu AI budou muset být odeslány do nemocnice Shanghai Changhai k dalším zobrazovacím vyšetřením (jako je kontrastní CT, MRI, endoskopie atd.), aby se potvrdil konečný stav onemocnění a sestavil plán léčby. Lékařský tým by se měl navíc řídit cestami péče vyvinutými na základě pokynů NCCN a ACR a v případě potřeby budou pacienti nasměrováni na kliniku multidisciplinárního týmu (MDT) pro konkrétní typy rakoviny, aby určili diagnostické postupy. Konečným cílem této studie je komplexně posoudit metriky diagnostického výkonu modelu AI pro každý ze sedmi typů rakoviny jednotlivě. Tyto metriky zahrnují, ale nejsou omezeny na, citlivost, specifičnost a pozitivní/negativní prediktivní hodnotu. Zvláštní důraz bude kladen na hodnocení účinnosti modelu při detekci resekovatelných nádorů v časném stadiu. Zastřešujícím cílem je určit, zda by implementace tohoto screeningového přístupu s pomocí AI mohla potenciálně vést ke zlepšení celkové míry přežití díky dřívější detekci a intervenci.