Detección por IA de tumores de vejiga mediante endoscopia

Antecedentes de la investigación El cáncer de vejiga es la novena neoplasia maligna más común en todo el mundo, con un estimado de 430.000 nuevos casos diagnosticados anualmente. El diagnóstico y seguimiento estándar del cáncer de vejiga se basa en la cistoscopia con luz blanca (WLC), y se realizan más de 2 millones de cistoscopias anualmente en los Estados Unidos y Europa. Debido a la alta tasa de recurrencia del cáncer de vejiga, es necesario un seguimiento e intervención frecuentes.

La detección temprana y la resección completa del cáncer de vejiga no músculo invasivo pueden reducir la recurrencia y la progresión. Sin embargo, hasta el 40% de los pacientes con enfermedad multifocal no logran una resección completa durante la resección transuretral inicial del tumor de vejiga (TURBT). Muchos tumores papilares y lesiones planas son difíciles de identificar mediante WLC. Existe una necesidad urgente de tecnologías de imágenes complementarias rentables, no invasivas y fáciles de usar para abordar las deficiencias diagnósticas de WLC.

Los avances recientes en el procesamiento automatizado de imágenes basado en aprendizaje profundo pueden proporcionar nuevas soluciones a las limitaciones de la cistoscopia. Las redes neuronales convolucionales (CNN) poseen la capacidad de aprender relaciones complejas e integrar el conocimiento existente en modelos, lo que muestra aplicaciones potenciales en diversos campos, incluido el diagnóstico de tumores de vejiga. Empleamos el algoritmo HRNet, una red neuronal convolucional, para mejorar la detección de tumores de vejiga.

Proceso de investigación 4.1 Criterios de inclusión de cohortes de pacientes: 1. Los pacientes que tuvieron tumor de vejiga y recibieron WLC o TURBT, y el video completo de la cirugía están disponibles.

Criterios de exclusión: 1. El vídeo es demasiado borroso para distinguir la pared de la vejiga normal y el tumor de la vejiga. 2. Ausencia de apariencia de tumor vesical antes de la resección. 3. Falta de consentimiento informado.

La información del paciente en los videos no se mostrará. Se utilizarán vídeos de los 200 pacientes con tumores de vejiga reclutados inicialmente para el desarrollo del algoritmo. Se utilizan vídeos de 100 pacientes adicionales para la validación del algoritmo.

4.2 Preprocesamiento de datos Para reducir el volumen de datos, extraemos el marco en una proporción de 1:4. Dos urólogos delimitan por separado los límites de los tumores de vejiga en cada cuadro y los comprueban entre sí. El algoritmo de IA se utiliza para contornear los mismos tumores de vejiga. Se comparan los contornos del tumor de vejiga anotados por los urólogos y el algoritmo, se analiza el valor del IOU, la precisión, la sensibilidad y la tasa de falsos negativos.

4.3 Desarrollo de algoritmos Este estudio utiliza segmentación semántica para identificar tumores de vejiga en WLC. La estructura de red D-LinkNet utilizó un ResNet34 previamente entrenado en el conjunto de datos ImageNet como codificador, y la parte central utilizó convoluciones dilatadas con diferentes tasas de dilatación en cascada y el muestreo ascendente se realizó mediante deconvolución. La resolución original de todas las imágenes es 1920 × 1080, se reduce la resolución de 2 a 960 × 540 y se rellena con ceros en la dirección del ancho para obtener la imagen con una resolución de 960 × 544. Las imágenes RGB de este tamaño se normalizaron, se restaron la media y se dividieron por la varianza antes de ingresarlas a la red. Las imágenes se someten a cinco procesos de codificación, convoluciones dilatadas y cinco procesos de decodificación, lo que finalmente produce un resultado de predicción de 960 × 544, que se procesó posteriormente. En esta investigación, la configuración de los parámetros fue la siguiente: tamaño de lote de 8, optimizador Adam, tasa de aprendizaje de 0,001. El entorno de entrenamiento fue una GPU NVIDIA TITAN Xp.

4.4 Interpretación de los resultados La intersección sobre unión (IOU) es un estándar crucial para evaluar la capacidad de reconocimiento de imágenes de un solo cuadro en el reconocimiento de imágenes. Cuando IOU está por encima del umbral, sugiere que el modelo detecta el objeto con éxito, lo que indica un verdadero positivo. Cuando IOU no puede alcanzar el umbral, sugiere que el modelo no logra detectar el objeto e indica un falso negativo. Si una predicción aparece sin verdad fundamental en la imagen, se considera un falso positivo. Calculamos la sensibilidad y precisión del modelo en el conjunto de prueba. El coeficiente Dice mide la similitud entre dos muestras. Un coeficiente Dice promedio más alto indica un mejor rendimiento de detección del modelo.

4.5 Indicadores de observación

① Anotación y clasificación de video: estado de anotación y resultados de clasificación de discernibilidad de reconocimiento de RLN para videos de cirugía de conjuntos de prueba y capacitación; ② Después de agrupar y entrenar, observe la sensibilidad, precisión, tasa de falsos negativos, tasa de falsos positivos y coeficiente Dice promedio del modelo en umbrales de IoU de 0,1 y 0,5 en el conjunto de pruebas bajo diferentes grupos de discernibilidad.

4.6 El análisis de métodos estadísticos será analizado por R 4.0.2 software, los datos se expresarán como números absolutos o porcentajes.