AI-påvisning af blæretumorer under endoskopi

Forskningsbaggrund Blærekræft er den niende mest almindelige malignitet på verdensplan, med anslået 430.000 nye tilfælde diagnosticeret årligt. Standarddiagnose og overvågning af blærekræft er afhængig af hvidt lys cystoskopi (WLC), med over 2 millioner cystoskopier udført årligt i USA og Europa. På grund af den høje gentagelsesrate af blærekræft er hyppig overvågning og intervention nødvendig.

Tidlig opdagelse og fuldstændig resektion af ikke-muskelinvasiv blærekræft kan reducere tilbagefald og progression. Men op til 40 % af patienter med multifokal sygdom opnår ikke fuldstændig resektion under den indledende transurethrale resektion af blæretumor (TURBT). Mange papillære tumorer og flade læsioner er svære at identificere gennem WLC. Der er et presserende behov for omkostningseffektive, ikke-invasive og brugervenlige supplerende billedbehandlingsteknologier til at afhjælpe de diagnostiske mangler ved WLC.

Nylige fremskridt inden for deep learning-baseret automatiseret billedbehandling kan give nye løsninger på begrænsningerne ved cystoskopi. Konvolutionelle neurale netværk (CNN'er) besidder evnen til at lære komplekse relationer og integrere eksisterende viden i modeller, der viser potentielle anvendelser på tværs af forskellige områder, herunder blæretumordiagnose. Vi brugte HRNet-algoritmen, et konvolutionelt neuralt netværk, til forbedret blæretumordetektion.

Forskningsproces 4.1 Patientkohorte Inklusionskriterier: 1. De patienter, der havde blæretumor og modtog WLC eller TURBT, og operationsvideoen i fuld længde er tilgængelig.

Eksklusionskriterier: 1. Videoen er for sløret til at skelne mellem den normale blærevæg og blæretumor. 2. Manglende udseende af blæretumor før resektion. 3. Mangel på informeret samtykke.

Patientoplysninger i videoerne vil ikke blive vist. Videoer fra de oprindeligt rekrutterede 200 blæretumorpatienter vil blive brugt til algoritmeudvikling. Videoer fra yderligere 100 patienter bruges til algoritmevalidering.

4.2 Dataforbehandling For at reducere datavolumen udtrækker vi rammen i forholdet 1:4. To urologer skitserer grænsen for blæretumorer i hver ramme separat og kontrollerer hinanden. AI-algoritme bruges til at konturere de samme blæretumorer. Konturerne af blæretumor annoteret af urologer og algoritme sammenlignes, IOU-værdien, præcision, følsomhed og falsk negativ rate analyseres.

4.3 Algoritmeudvikling Denne undersøgelse bruger semantisk segmentering til at identificere blæretumorer i WLC. D-LinkNet-netværksstrukturen brugte en forudtrænet ResNet34 på ImageNet-datasættet som sin koder, hvor den centrale del udnyttede dilaterede foldninger med forskellige dilatationshastigheder på en kaskade måde, og upsampling udført ved hjælp af dekonvolution. Den originale opløsning af alle billeder er 1920×1080, nedsamplet med 2 til 960×540 og nulpolstret i bredderetningen for at opnå billedet med en opløsning på 960×544. RGB-billederne af denne størrelse blev normaliseret, middel-subtraheret og variansopdelt, før de blev indlæst i netværket. Billederne gennemgår fem kodningsprocesser, dilaterede foldninger og fem afkodningsprocesser, hvilket i sidste ende producerer et forudsigelsesresultat på 960×544, som blev yderligere efterbehandlet. I denne forskning var parameterindstillingerne som følger: batchstørrelse på 8, Adam optimizer, en indlæringshastighed på 0,001. Træningsmiljøet var en NVIDIA TITAN Xp GPU.

4.4 Resultatfortolkning Intersection over union (IOU) er en afgørende standard for evaluering af enkeltbillede billedgenkendelsesevne i billedgenkendelse. Når IOU er over tærsklen, tyder det på, at modellen detekterer objektet med succes, hvilket indikerer en sand positiv. Når IOU ikke kan nå tærsklen, tyder det på, at modellen ikke kan detektere objektet, og indikerer en falsk negativ. Hvis en forudsigelse optræder uden grundsandhed i billedet, betragtes den som en falsk positiv. Vi beregner modellens følsomhed og præcision i testsættet. Terningskoefficienten måler ligheden mellem to prøver. En højere gennemsnitlig terningskoefficient indikerer en bedre detektionsydelse af modellen.

4.5 Observationsindikatorer

① Videoannotering og klassificering: annoteringsstatus og RLN-genkendelsesklassificeringsresultater for trænings- og testsætkirurgivideoer; ② Efter gruppering og træning skal du observere modellens følsomhed, præcision, falsk negative rate, falsk positive rate og gennemsnitlige terningskoefficient ved IoU-tærskler på 0,1 og 0,5 i testsættet under forskellige skelnelighedsgrupper.

4.6 Statistiske metoder Analyse vil blive analyseret ved R 4.0.2 software, vil dataene blive udtrykt som absolutte tal eller procenter.