Nøjagtighed af dyb indlæringsalgoritme til påvisning og risikostratificering af lungeknuder

Osteosarkom betragtes som den mest almindelige maligne knogletumor hos børn og unge. Ca. 15 % til 20 % af patienter med osteosarkom har påviselig metastatisk sygdom, og størstedelen af ​​dem (85 %) har lungelæsioner som det eneste sted for metastase. Tidligere undersøgelser har vist, at den samlede overlevelsesrate blandt patienter med lokaliseret osteosarkom uden metastatisk sygdom er ca. 60% til 70%, hvorimod overlevelsesraten reduceres til 10% til 30% hos patienter med metastatisk sygdom. Selvom neoadjuverende og adjuverende kemoterapeutiske regimer på det seneste kan nedsætte dødeligheden, dør 30% til 50% af patienterne stadig af lungemetastaser. Antal, fordeling og timing af lungemetastaser er af prognostisk værdi for overlevelse, og derfor spiller computertomografi (CT) thorax-billeddannelse stadig en afgørende rolle i sygdomsovervågning. I det sidste årti har teknologien med multidetektor CT-scanner forbedret påvisningen af ​​adskillige mindre lungelæsioner, hvilket på den ene side kan øge den diagnostiske følsomhed for lungemetastaser, dog kan specificiteten være reduceret. I de senere år har deep-learning kunstig intelligens (AI) algoritme i en lang række billeddiagnostiske undersøgelser været et varmt emne. I øjeblikket er et stigende antal computerstøttede diagnosesystemer (CAD) baseret på deep learning-teknologier, der sigter mod hurtigere screening og korrekt fortolkning af pulmonale knuder, hurtigt blevet udviklet og introduceret på markedet. Indtil videre har forskningen, der har koncentreret sig om at forbedre nøjagtigheden af ​​klassificering af benigne/maligne knuder, gjort betydelige fremskridt, inspireret af enorme fremskridt inden for deep learning-teknikker. Følgelig kan størstedelen af ​​de eksisterende CAD-systemer udføre pulmonal nodule klassificering med en nøjagtighed på 90 % over. I klinisk praksis er ikke kun malignitetsbestemmelsen for pulmonal nodule, men også skelnen mellem primært karcinom og intrapulmonal metastase afgørende for patientbehandlingen. De fleste eksisterende klassifikationer af lungeknuder anvendt i CAD-systemet er dog fortsat binære mønstre (godartet versus ondartet), i manglen på mere grundig nodulklassificering karakteriseret ved opsplitning af primær og metastatisk knude. Så vidt vi ved, har kun nogle få undersøgelser fokuseret på ydeevnen af ​​deep learning-baseret CAD-system til identifikation af metastatisk pulmonal nodule indtil nu. I denne foreslåede undersøgelse søgte efterforskerne at bestemme nøjagtigheden og følsomheden af ​​et computerstøttet system baseret på dyb-lærende kunstig intelligens-algoritme til påvisning og risikostratificering af lungeknuder hos osteogene sarkompatienter.