Identifizierung von Eierstockkrebs auf CT unter Verwendung von Deep Learning

Eierstockkrebs ist die tödlichste gynäkologische Malignität mit 20.890 neuen Fällen und 12.730 Todesfällen in den USA im Jahr 2025. Trotz des Aussagens von nur 2,1% der weiblichen Krebserkrankungen verursacht es 4,3% der krebsbedingten Todesfälle. Das lebenslange Risiko einer Eierstockkrebs beträgt 1 zu 78 mit einem Mortalitätsrisiko von 1 zu 108. Eine optimale Behandlung beinhaltet eine vollständige chirurgische Resektion, gefolgt von einer Chemotherapie. Die Überlebensraten sind jedoch in den letzten zwei Jahrzehnten weitgehend unverändert geblieben. Eine frühzeitige Erkennung verbessert das Überleben signifikant, aber nur 31% der Fälle werden aufgrund der asymptomatischen Natur der Krankheit in einem frühen Stadium diagnostiziert. Es gibt keinen universellen Screening-Test, und aktuelle Methoden, einschließlich CA-125 und transvaginaler Ultraschall, haben Einschränkungen bei der Reduzierung der Mortalität.

Die Computertomographie (CT) wird häufig zur Erkennung von Eierstockkrebs eingesetzt, seine Wirksamkeit ist jedoch durch unspezifische Symptome begrenzt. Das AI-gesteuerte CT-Screening hat Interesse gewonnen, wobei tiefes Lernen bei der Erkennung von Krebs vielversprechend ist. Die Herausforderungen bestehen jedoch bei der Gewährleistung der Generalisierbarkeit der Modell und der Optimierung technischer Parameter. Effektives Screening muss unnötige Operationen minimieren, da frühere Versuche hohe falsch positive Raten und chirurgische Komplikationen angaben. Um dies zu beherrschen, entwickelte die Studie Cat-OV, ein Tool zur Erkennung von Eierstockkrebs mit Basis von AI unter Verwendung der CT-Bildgebung. Das System integriert ein BRPR -Modell (Body Part -Regression) für die Beckenlokalisierung und ein Multiple -Instance -Lernklassifizierer (MIL) -Semble -Klassifizierer mit fünf Faltungsnetzwerken (CNNs), um die Präsenz von Krebs vorherzusagen. CAT-OV wurde an drei Testsätzen bewertet: einem internen Datensatz, einem internationalen Datensatz aus den USA und einem landesweiten multi-institutionellen Datensatz aus Taiwan.

Diese retrospektive Studie wurde vom Institutional Review Board genehmigt und die Einverständniserklärung aufgenommen. Der Datensatz wurde aus CT -Scans von Patienten im Alter von ≥ 20 Jahren gebaut, die zwischen 2010 und 2020 im Chang Gung Memorial Hospital operiert wurden. Malignische Fälle umfassten verschiedene histopathologische Subtypen, während Kontrollen aus gutartigen Ovarialtumoren und einem angereicherten Datensatz krebsfreier Personen bestanden. Der endgültige Datensatz umfasste 5.680 Fälle, unterteilt in einen Trainings-/Validierungssatz (n = 4,554) und einen internen Testsatz (n = 1.126), einschließlich 173 Krebs und 953 Kontrollfällen. Der internationale Datensatz umfasste 40 Krebs und 47 Kontrollfälle aus dem Brigham und dem Frauenkrankenhaus. Der landesweite Datensatz bestand aus 447 Eierstockkrebsfällen und 1.131 Kontrollen aus der nationalen Krankenversicherungsdatenbank in Taiwan.

Das aus ResNet50 modifizierte BPR -Modell lokalisierte Beckenregionen für CT -Scans durch unbeaufsichtigtes Lernen. Das Training umfasste die Vorverarbeitung, Augmentation und Regressions-basierte Subvolumenauswahl. Das MIL-Klassifizierungsmodell behandelte jedes 3D-Subvolume als "Beutel" von 2D-Scheiben unter Verwendung von effizientemNETV2-S als Rückgrat und als aufmerksamkeitsbasiertes Aggregationsmodul zur endgültigen Vorhersage. Das Training umfasste Vorverarbeitung, Augmentation und eine fünffache Quervalidierungsstrategie. Das endgültige Ensemble -Modell ermittelte die Klassifizierung basierend auf gemittelten Protokollen und optimierten Schwellenwerten. Die Visualisierung wurde unter Verwendung der T-Probe-Engpass-Technik durchgeführt, um die Interpretierbarkeit zu verbessern.

Die chirurgische Histopathologie diente als Referenzstandard, die von einem erfahrenen Pathologen unter Verwendung des 2020 WHO -Klassifizierung überprüft wurde. Eine immunhistochemische Analyse wurde durchgeführt, um primäre Eierstockkrebs von Metastasen zu unterscheiden. Tumoren wurden gemäß dem Figo -System der 8. Ausgabe inszeniert. Diese Studie zielt darauf ab, die Erkennung und das Screening-Wirksamkeit der Eierstockkrebs durch AI-gesteuerte CT-Analyse zu verbessern.