Kunstig intelligens og radiologer ved prostatakræftdetektion i MR: PI-CAI-udfordringen

Prostatakræft (PCa) er en af ​​de mest udbredte kræftformer hos mænd på verdensplan. En million mænd får en diagnose, og 300.000 dør af klinisk signifikant PCa (csPCa) (defineret som ISUP≥2) hvert år på verdensplan. Multiparametrisk magnetisk resonansbilleddannelse (mpMRI) spiller en stadig vigtigere rolle i den tidlige diagnose af prostatacancer og er blevet anbefalet af European Association of Urology (EAU) forud for biopsier. Men de nuværende retningslinjer for læsning af prostata mpMRI (dvs. PI-RADS v2.1) følger en semikvantitativ vurdering, der kræver betydelig ekspertise til korrekt brug. Dette kan føre til lav inter-læserenighed (<50%), suboptimal fortolkning og overdiagnosticering.

Moderne kunstig intelligens (AI) algoritmer har banet vejen for kraftfulde computerstøttede detektions- og diagnosesystemer (CAD), der konkurrerer med menneskelig præstation i medicinsk billedanalyse. Kliniske forsøg er guldstandarden for at vurdere ny medicin og interventioner på en kontrolleret og komparativ måde, og hvad der svarer til udvikling af AI-algoritmer er internationale konkurrencer eller "grand challenges", hvor stadigt større datasæt frigives til offentligheden for at løse klinisk relevante opgaver med AI . Store udfordringer kan løse manglen på tillid, videnskabelig evidens og tilstrækkelig validering blandt AI-løsninger ved at give midlerne til at sammenligne algoritmer med hinanden ved hjælp af fælles datasæt og et samlet eksperimentelt setup.

PI-CAI (Prostate Imaging: Cancer AI) er en helt ny stor udfordring med over 10.000 omhyggeligt kurerede prostata MR-undersøgelser til at validere moderne AI-algoritmer og estimere radiologers præstationer ved csPCa-detektion og -diagnose. Nøgleaspekter af undersøgelsesdesignet er blevet etableret i samarbejde med et internationalt, multidisciplinært videnskabeligt rådgivende udvalg (16 eksperter i prostata AI, radiologi og urologi) - for at forene og standardisere nutidens retningslinjer og for at sikre meningsfuld validering af prostata- AI mod klinisk oversættelse.

2022-udgaven af ​​PI-CAI vil fokusere på at validere AI ved automatisk 3D-detektion og diagnose af csPCa i bpMRI. PI-CAI består primært af to delstudier:

• AI-undersøgelse (Grand Challenge): Et kommenteret multicenter-, multi-leverandør-datasæt med 1500 bpMRI-undersøgelser (inklusive deres kliniske og erhvervelsesvariabler) er gjort offentligt tilgængeligt for alle deltagende teams og forskersamfundet som helhed. Hold kan bruge dette datasæt til at udvikle AI-modeller og indsende deres trænede algoritmer (i Docker-containere) til evaluering. I slutningen af ​​denne åbne udviklingsfase rangeres alle algoritmer baseret på deres ydeevne på en skjult testkohorte på 1000 usete scanninger. I den lukkede testfase genoptræner arrangørerne de toprangerede 5 AI-algoritmer ved hjælp af et større datasæt på 7500-9500 bpMRI-scanninger (inklusive yderligere træningsscanninger fra et privat datasæt). Endelig reevalueres deres ydeevne på den skjulte testkohorte (med strenge statistiske analyser) for at bestemme de 3 bedste AI-algoritmer til automatiseret 3D-detektion og diagnose af csPCa i bpMRI (dvs. vinderne af den store udfordring).
• Læserundersøgelse: 50+ internationale prostata-radiologer udfører en læserundersøgelse ved hjælp af en undergruppe af 400 scanninger fra den skjulte testkohorte. For hvert tilfælde afslutter radiologer deres vurderinger i to omgange. Til at begynde med kun ved hjælp af kliniske og erhvervelsesvariable plus bpMRI-sekvenser, hvilket muliggør direkte sammenligninger med AI trænet på det samme. Og så, ved at bruge kliniske og erhvervelsesvariable plus fulde mpMRI-sekvenser, hvilket muliggør sammenligninger mellem AI og nuværende klinisk praksis (PI-RADS v2.1). Overordnet set er målet med denne undersøgelse at estimere den gennemsnitlige radiologs præstation ved påvisning og diagnose af csPCa i MR.

I sidste ende sigter PI-CAI på at benchmarke state-of-the-art AI-algoritmer udviklet i den store udfordring mod prostata-radiologer, der deltager i læserundersøgelsen - for at evaluere den kliniske levedygtighed af moderne prostata-AI-løsninger ved csPCa-detektion og diagnose i MR.