Machbarkeitsstudie zur Entwicklung von MoleGazer

Hintergrund

Die Inzidenz von Melanomen nimmt rapide zu, mit 15.906 neuen Fällen im Vereinigten Königreich (UK) im Jahr 2015, die zu 2.285 Todesfällen führten. Eine frühzeitige Diagnose des Melanoms ist unerlässlich, da die Erkrankung im Frühstadium eine relative 5-Jahres-Überlebensrate von > 95 % aufweist, verglichen mit 8-25 % beim fortgeschrittenen Melanom. Im Vereinigten Königreich werden die Kosten für Hautkrebs bis 2020 voraussichtlich 180 Millionen Pfund übersteigen und für die betroffenen Personen zu einer erheblichen Morbidität (und Mortalität) führen. Bis zu 60 % der Melanome gehen auf bereits bestehende Nävi (Muttermale) zurück. Die Früherkennung von Melanomen beruht auf Personen, die Veränderungen in Nävi erkennen, und bei Personen mit mehreren Nävi auf Expertenbeurteilung dieser Nävi durch ausgebildete Dermatologen mit diagnostischen Hilfsmitteln wie der Dermatoskopie (10-fache Vergrößerung). Darüber hinaus gibt es Hinweise darauf, dass die sequentielle Überwachung von Nävi auch die Erkennungsraten von Melanomen erhöht.

Die Ganzkörperfotografie (TBP) ist ein diagnostisches Hilfsmittel zur Überwachung multipler Nävi

Bei Patienten mit hohem Risiko, ein Melanom mit multiplen Nävi (>60) zu entwickeln, wird die Ganzkörperfotografie (TBP) (standardisierte Bilder von Körperteilen, die mit einer hochauflösenden Kamera aufgenommen werden) als Hilfsmittel zur Verfolgung, zum Vergleich und zur Überwachung von Nävi verwendet Zeit und verbessert nachweislich die Melanomdiagnose. Die empfohlene Kurzzeitüberwachung der Nävi beträgt 3 Monate, ist jedoch weitgehend auf einzelne Läsionen beschränkt. In einem National Health Service (NHS) mit begrenzten Ressourcen ist eine häufige Überwachung mehrerer Nävi durch einen Dermatologen unpraktisch und ineffizient, sodass die Frühdiagnose eines Melanoms effektiv auf der Selbstüberwachung des Patienten beruht. Eine mögliche Lösung ist die automatisierte Analyse von TBP-Bildern mit künstlicher Intelligenz (KI), um Naevi im Laufe der Zeit zu verfolgen und zu überwachen.

Auf TBP angewendete künstliche Intelligenz könnte die Effizienz der „Maulwurfskartierung“ verbessern

Die frühere KI-Auswertung von Hautläsionen hat bei der Hautkrebsdiagnose die gleiche Genauigkeit wie die von ausgebildeten Dermatologen gezeigt, jedoch beruhte diese auf der Analyse einzelner Läsionen zu statischen Zeitpunkten (mit durch Biopsie bestätigten Diagnosen). Die Verwendung von Läsionen, die zur Exzision vorgesehen sind (d. h. hoher klinischer Verdacht auf Melanom), schränkt die klinische Anwendbarkeit stark ein, und ein Cochrane-Review kam zu dem Schluss, dass der Nutzen der computergestützten Erkennung für die Melanomdiagnose in der Sekundärversorgung unbekannt bleibt. Die klinisch relevantere Frage ist, ob automatisiert Der Nachweis von Veränderungen in Nävi mit sequentiellen TBP-Bildern, klinisch als „Mole Mapping“ bezeichnet, kann tatsächlich die Früherkennung von Melanomen verbessern.

Bis heute haben TBP-Systeme im NHS eine begrenzte Automatisierung, die auf das Speichern und Abrufen von Bildern beschränkt ist. Obwohl es ein automatisiertes Ganzkörper-Scansystem gibt, das in Zukunft zusätzlich zu den aktuellen Bilderfassungs- und Läsionsabgleichalgorithmen eine KI-basierte Diagnose beinhalten kann, wird eine vollständige klinische Validierung und jede anschließende Implementierung im NHS aufgrund der erforderlichen Investitionen kostspielig sein das Scansystem (aktuelle Kosten 1 Million US-Dollar). Ob mit konventionelleren Bilderfassungsgeräten und ausgefeilten KI-Techniken dieselben oder bessere Ergebnisse erzielt werden können, ist unbekannt. Die Forscher schlagen eine neuartige Anwendung astronomischer KI-Methoden zur Früherkennung von Melanomen unter Verwendung der standardmäßigen TBP-basierten Überwachung von Nävi vor, die derzeit im NHS eingesetzt wird und als Ergänzung zur klinischen Überprüfung von Personen verwendet werden kann.

Anwendung astronomischer KI-Techniken auf die TBP-Überwachung mehrerer Nävi

Die transiente Wissenschaft in der Astronomie zielt darauf ab, die Entwicklung neuer astronomischer Quellen wie explodierender Sterne zu erkennen und zu verfolgen. Einzelne Ereignisse, die sowohl eine lang- als auch eine kurzfristige Entwicklung aufweisen, werden durch den Vergleich neuer Bilder mit Archivdaten erkannt und anhand eines Merkmalssatzes klassifiziert, einschließlich vorübergehender Helligkeit, Farbe, Eigenbewegung und Ausdehnung. Hochmoderne astronomische Untersuchungen überwachen den Himmel jede Nacht über mehrere Jahre hinweg, um subtile Veränderungen zu erkennen. KI-Techniken (wie Random Forests und Recurrent Neural Networks; RNN), die den vollständigen Zeitreihenverlauf und Kontextinformationen verwenden, werden routinemäßig verwendet, um Ereignisse probabilistisch zu identifizieren und zu klassifizieren. Mit jeder neuen Beobachtung, die zusätzliche Informationen liefert, können astronomische transiente Untersuchungen routinemäßig neue Quellen erkennen und charakterisieren, sodass die Entwicklung neuer Quellen mit einer Genauigkeit von 99,5 % auf der Grundlage von nur drei Zeitpunkten vorhergesagt werden kann.

Diese Herausforderung, der sich die Astronomie gegenübersieht, ist analog zur „Maulwurfskartierung“ für Personen mit einem hohen Melanomrisiko; Sowohl Naevi- als auch astronomische Quellen können als unterschiedliche Quellen vor einem homogenen Hintergrund charakterisiert werden, die über mehrere Bilder hinweg verfolgt werden, um Veränderungen zu erkennen. Die Forscher gehen daher davon aus, dass astronomische KI-Techniken ideal geeignet sind, um dieses klinische Problem anzugehen, und entwickeln das MoleGazer-Projekt, um dies zu testen.

Begründung

Um den MoleGazer-Algorithmus zu entwickeln, benötigen die Ermittler einen Basisdatensatz, um astronomische KI-Algorithmen auf TBP-Bilder anzuwenden, um Naevi über aufeinanderfolgende Bilder zu erkennen und zu verfolgen. Derzeit gibt es keine öffentlich zugänglichen Datenbanken mit TBP-Bildern für die Ermittler, um diese Machbarkeit zu testen, und daher ist das Ziel dieser Studie, Folgendes zu sammeln:

1. eine Zeitreihenkohorte von TBP-Bildern, die zu festen aufeinanderfolgenden Zeitpunkten über 2 Jahre aufgenommen wurden
2. eine Basiskohorte von TBP-Bildern mit sequentiellen Bildern, die zu beliebigen Zeitpunkten aufgenommen wurden. Durch das Sammeln von TBP-Bildern können die Ermittler die Empfindlichkeit der Naevi-Erkennung und -Charakterisierung in Bezug auf Hautton, Beleuchtungsstärke, Bildregistrierung und Hintergrundsubtraktionstechniken untersuchen, was den Ermittlern ermöglicht um auch die Erkennung von Nävi zu automatisieren und ihre Entwicklung in jedem sequentiellen Bild zu verfolgen, das dem Studienteam vorliegt. Die Entwicklung dieser Datenbank wird es den Ermittlern ermöglichen, die Machbarkeit der Anwendung astronomischer KI-Methoden auf TBP-Bilder zu demonstrieren.