Identifikation af æggestokkekræft på CT ved hjælp af dyb læring

Ovariecancer er den dødeligste gynækologiske malignitet med 20.890 nye tilfælde og 12.730 dødsfald, der forventes i USA i 2025. På trods af at de kun tegner sig for 2,1% af kvindelige kræftformer, forårsager det 4,3% af kræftrelaterede dødsfald. Levetidsrisikoen for at udvikle kræft i æggestokkene er 1 ud af 78 med en dødelighedsrisiko på 1 ud af 108. Optimal behandling involverer fuldstændig kirurgisk resektion efterfulgt af kemoterapi; Imidlertid har overlevelsesraterne forblevet stort set uændrede i de sidste to årtier. Tidlig detektion forbedrer overlevelsen markant, men kun 31% af tilfældene diagnosticeres på et tidligt tidspunkt på grund af sygdommenes asymptomatiske karakter. Der findes ingen universel screeningstest, og aktuelle metoder, inklusive CA-125 og transvaginal ultralyd, har begrænsninger i reduktion af dødelighed.

Computertomografi (CT) bruges ofte til detektion af kræft i æggestokkene, men dens effektivitet er begrænset af ikke -specifikke symptomer. AI-drevet CT-screening har fået interesse, med dyb læring, der viser løfte om kræftdetektion. Imidlertid er der stadig udfordringer i at sikre modelgeneraliserbarhed og optimere tekniske parametre. Effektiv screening skal minimere unødvendige operationer, da tidligere forsøg rapporterede høje falsk-positive hastigheder og kirurgiske komplikationer. For at tackle dette udviklede undersøgelsen CAT-OV, et AI-baseret værktøj til detektion af æggestokkekræft ved hjælp af CT-billeddannelse. Systemet integrerer en Body Part Regression (BPR) -model til bækkenlokalisering og en multiple instans -læring (MIL) ensemble -klassifikator med fem indviklede neurale netværk (CNN'er) for at forudsige kræfttilstedeværelse. CAT-OV blev evalueret på tre testsæt: et internt datasæt, et internationalt datasæt fra USA og et landsdækkende multi-institutionelt datasæt fra Taiwan.

Denne retrospektive undersøgelse blev godkendt af det institutionelle revisionsudvalg, og der blev frafaldet informeret samtykke. Datasættet blev konstrueret ud fra CT -scanninger af patienter i alderen ≥20, der gennemgik ovarieoperation mellem 2010 og 2020 på Chang Gung Memorial Hospital. Maligne tilfælde omfattede forskellige histopatologiske undertyper, mens kontroller bestod af godartede ovarie-tumorer og et beriget datasæt med kræftfrie individer. Det endelige datasæt omfattede 5.680 tilfælde, opdelt i et trænings-/valideringssæt (n = 4.554) og et internt testsæt (n = 1.126), inklusive 173 kræft og 953 kontroltilfælde. Det internationale datasæt omfattede 40 kræft og 47 kontrolsager fra Brigham og Women's Hospital. Det landsdækkende datasæt bestod af 447 sager med æggestokkekræft og 1.131 kontroller fra Taiwans nationale sundhedsforsikringsdatabase.

BPR -modellen, modificeret fra RESNET50, lokaliserede bækkenregioner på CT -scanninger gennem uovervåget læring. Uddannelse involverede forarbejdning, forøgelse og regressionsbaseret valg af subvolumen. MIL-klassificeringsmodellen behandlede hver 3D-subvolume som en "taske" på 2D-skiver ved hjælp af EffectiveNetv2-S som rygrad og et opmærksomhedsbaseret aggregeringsmodul til endelig forudsigelse. Uddannelse involverede forarbejdning, forøgelse og en fem gange krydsvalideringsstrategi. Den endelige ensemble -model bestemte klassificering baseret på gennemsnitlige logits og optimerede tærskler. Visualisering blev udført under anvendelse af flaskehals-teknikken pr. Prøve for at øge tolkbarheden.

Kirurgisk histopatologi tjente som referencestandard, gennemgået af en erfaren patolog ved hjælp af 2020 WHO -klassificeringen. Immunohistokemisk analyse blev udført for at skelne primær æggestokkræft fra metastaser. Tumorer blev iscenesat i henhold til det 8. udgave Figo -system. Denne undersøgelse sigter mod at forbedre detektion og screeningseffektivitet i kræft i æggestokkene gennem AI-drevet CT-analyse.