KI-Erkennung von Blasentumoren unter Endoskopie

Forschungshintergrund Blasenkrebs ist die neunthäufigste bösartige Erkrankung weltweit. Schätzungsweise werden jährlich 430.000 neue Fälle diagnostiziert. Die Standarddiagnose und -überwachung von Blasenkrebs basiert auf der Weißlichtzystoskopie (WLC). In den USA und Europa werden jährlich über 2 Millionen Zystoskopien durchgeführt. Aufgrund der hohen Rezidivrate von Blasenkrebs sind häufige Überwachungen und Interventionen erforderlich.

Die frühzeitige Erkennung und vollständige Entfernung von nicht-muskelinvasivem Blasenkrebs kann das Wiederauftreten und Fortschreiten verringern. Allerdings erreichen bis zu 40 % der Patienten mit multifokaler Erkrankung bei der anfänglichen transurethralen Resektion eines Blasentumors (TURBT) keine vollständige Resektion. Viele papilläre Tumoren und flache Läsionen sind durch WLC schwer zu identifizieren. Es besteht ein dringender Bedarf an kostengünstigen, nicht-invasiven und benutzerfreundlichen Zusatzbildgebungstechnologien, um die diagnostischen Mängel von WLC zu beheben.

Jüngste Fortschritte in der automatisierten Bildverarbeitung auf Deep-Learning-Basis könnten neue Lösungen für die Einschränkungen der Zystoskopie bieten. Convolutional Neural Networks (CNNs) besitzen die Fähigkeit, komplexe Zusammenhänge zu erlernen und vorhandenes Wissen in Modelle zu integrieren, was potenzielle Anwendungen in verschiedenen Bereichen, einschließlich der Diagnose von Blasentumoren, aufzeigt. Wir verwendeten den HRNet-Algorithmus, ein Faltungs-Neuronales Netzwerk, zur verbesserten Erkennung von Blasentumoren.

Forschungsprozess 4.1 Patientenkohorte Einschlusskriterien: 1. Die Patienten, die einen Blasentumor hatten und WLC oder TURBT erhielten, sowie das Operationsvideo in voller Länge sind verfügbar.

Ausschlusskriterien: 1. Das Video ist zu unscharf, um die normale Blasenwand und den Blasentumor zu unterscheiden. 2. Fehlendes Auftreten eines Blasentumors vor der Resektion. 3. Fehlende Einwilligung nach Aufklärung.

Patienteninformationen in den Videos werden nicht angezeigt. Für die Algorithmusentwicklung werden Videos der zunächst 200 rekrutierten Blasentumorpatienten verwendet. Für die Validierung des Algorithmus werden Videos von weiteren 100 Patienten verwendet.

4.2 Datenvorverarbeitung Um das Datenvolumen zu reduzieren, extrahieren wir den Frame im Verhältnis 1:4. Zwei Urologen skizzieren die Grenzen von Blasentumoren in jedem Bild separat und überprüfen sich gegenseitig. Ein KI-Algorithmus wird verwendet, um die gleichen Blasentumoren zu konturieren. Die von Urologen und Algorithmen kommentierten Umrisse des Blasentumors werden verglichen, der IOU-Wert, die Präzision, die Sensitivität und die Falsch-Negativ-Rate werden analysiert.

4.3 Algorithmusentwicklung Diese Studie verwendet semantische Segmentierung, um Blasentumoren in WLC zu identifizieren. Die D-LinkNet-Netzwerkstruktur verwendete ein vorab trainiertes ResNet34 für den ImageNet-Datensatz als Encoder, wobei der zentrale Teil kaskadierte erweiterte Faltungen mit unterschiedlichen Dilatationsraten nutzte und das Upsampling mithilfe von Dekonvolution durchgeführt wurde. Die ursprüngliche Auflösung aller Bilder beträgt 1920 x 1080, wird um 2 auf 960 x 540 heruntergerechnet und in Breitenrichtung mit Nullen aufgefüllt, um ein Bild mit einer Auflösung von 960 x 544 zu erhalten. Die RGB-Bilder dieser Größe wurden vor der Eingabe in das Netzwerk normalisiert, vom Mittelwert subtrahiert und varianzgeteilt. Die Bilder durchlaufen fünf Kodierungsprozesse, erweiterte Faltungen und fünf Dekodierungsprozesse, was letztendlich zu einem Vorhersageergebnis von 960 x 544 führt, das weiter nachbearbeitet wurde. In dieser Untersuchung waren die Parametereinstellungen wie folgt: Stapelgröße 8, Adam-Optimierer, Lernrate 0,001. Die Trainingsumgebung war eine NVIDIA TITAN Xp GPU.

4.4 Interpretation der Ergebnisse Die Schnittmenge über der Vereinigung (IOU) ist ein entscheidender Standard für die Bewertung der Fähigkeit zur Einzelbilderkennung bei der Bilderkennung. Wenn IOU über dem Schwellenwert liegt, deutet dies darauf hin, dass das Modell das Objekt erfolgreich erkannt hat, was auf ein echtes Positiv hinweist. Wenn IOU den Schwellenwert nicht erreichen kann, deutet dies darauf hin, dass das Modell das Objekt nicht erkennt, was auf ein falsches Negativ hinweist. Wenn eine Vorhersage im Bild ohne Grundwahrheit erscheint, gilt sie als falsch positiv. Wir berechnen die Empfindlichkeit und Präzision des Modells im Testsatz. Der Dice-Koeffizient misst die Ähnlichkeit zwischen zwei Stichproben. Ein höherer durchschnittlicher Dice-Koeffizient weist auf eine bessere Erkennungsleistung des Modells hin.

4.5 Beobachtungsindikatoren

① Videoanmerkung und -klassifizierung: Anmerkungsstatus und RLN-Erkennbarkeitsklassifizierungsergebnisse für Schulungs- und Testset-Chirurgievideos; ② Beobachten Sie nach der Gruppierung und dem Training die Empfindlichkeit, Präzision, Falsch-Negativ-Rate, Falsch-Positiv-Rate und den durchschnittlichen Dice-Koeffizienten des Modells bei IoU-Schwellenwerten von 0,1 und 0,5 im Testsatz unter verschiedenen Unterscheidbarkeitsgruppen.

4.6 Statistische Methodenanalyse wird durch R 4.0.2 analysiert Software werden die Daten als absolute Zahlen oder Prozentsätze ausgedrückt.