Identifikace rakoviny vaječníků na CT pomocí hlubokého učení

Rakovina vaječníků je nejsmrtelnější gynekologickou malignitou, s 20 890 novými případy a 12 730 úmrtími v USA v roce 2025. Navzdory účtování pouze 2,1% ženských rakovin způsobuje 4,3% úmrtí souvisejících s rakovinou. Celoživotní riziko vzniku rakoviny vaječníků je 1 ze 78, s rizikem úmrtnosti 1 ze 108. Optimální ošetření zahrnuje úplnou chirurgickou resekci následovanou chemoterapií; Míra přežití však v posledních dvou desetiletích zůstala do značné míry nezměněna. Včasná detekce významně zlepšuje přežití, ale pouze 31% případů je diagnostikováno v rané fázi kvůli asymptomatické povaze nemoci. Neexistuje žádný univerzální screeningový test a současné metody, včetně CA-125 a transvaginálního ultrazvuku, mají omezení při snižování úmrtnosti.

Počítačová tomografie (CT) se běžně používá pro detekci rakoviny vaječníků, ale její účinnost je omezena nespecifickými příznaky. Screening CT zaměřený na AI získal zájem, přičemž hluboké učení se v detekci rakoviny projevilo slibné. Výzvy však zůstávají při zajišťování zobecnění modelu a optimalizaci technických parametrů. Účinný screening musí minimalizovat zbytečné operace, protože předchozí studie uváděly vysoké falešně pozitivní míry a chirurgické komplikace. Abychom to vyřešili, studie vyvinula CAT-OV, nástroj založený na AI pro detekci rakoviny vaječníků pomocí CT zobrazování. Systém integruje model regrese tělesné části (BPR) pro lokalizaci pánve a klasifikátor souboru pro více instancí (MIL) s pěti konvolučními neuronovými sítěmi (CNN), aby předpovídal přítomnost rakoviny. CAT-OV byla hodnocena na třech testovacích sadách: interní datový soubor, mezinárodní datový soubor z USA a celonárodní multiinstitucionální datový soubor z Tchaj-wanu.

Tato retrospektivní studie byla schválena Radou pro institucionální přezkum a byl upuštěn informovaný souhlas. Datový soubor byl konstruován z CT skenů pacientů ve věku ≥ 20, kteří podstoupili chirurgii vaječníků mezi lety 2010 a 2020 v Memorial Hospital Chang Gung. Mezi maligní případy zahrnovaly různé histopatologické podtypy, zatímco kontroly sestávaly z benigních vaječníků a obohaceného datového souboru jedinců bez rakoviny. Konečný datový soubor zahrnoval 5 680 případů, rozděleno do sady tréninku/validace (n = 4 554) a vnitřní testovací sadu (n = 1 126), z toho 173 případů rakoviny a 953 kontrolních případů. Mezinárodní datový soubor zahrnoval 40 rakoviny a 47 kontrolních případů z Brigham a Dámské nemocnice. Celostátní datový soubor se skládal ze 447 případů rakoviny vaječníků a 1 131 kontrol z Tchaj -wanové národní databáze zdravotního pojištění.

Model BPR, upravený z ResNet50, lokalizoval pánevní oblasti na CT skenování prostřednictvím učení bez dozoru. Školení zahrnovalo předběžné zpracování, zvětšení a výběr subvolumů založených na regresi. Klasifikační model MIL považoval každý 3D subvolum za „tašku“ 2D řezů, pomocí efektivního založení a agregačního modulu založeného na pozornosti pro konečnou predikci. Školení zahrnovalo předběžné zpracování, zvětšení a pětinásobná strategie křížové validace. Konečný model souboru určil klasifikaci na základě průměrovaných logitů a optimalizovaných prahů. Vizualizace byla prováděna pomocí techniky prorážení na vzorku pro zvýšení interpretovatelnosti.

Chirurgická histopatologie sloužila jako referenční standard, přezkoumaný zkušeným patologem s použitím klasifikace 2020. Imunohistochemická analýza byla provedena za účelem rozlišení primárního rakoviny vaječníků od metastáz. Nádory byly uvedeny podle systému 8. vydání FIGO. Cílem této studie je zlepšit detekci rakoviny vaječníků a screeningovou účinnost CT analýzou poháněnou AI.