Syväoppimisalgoritmin tarkkuus keuhkojen kyhmyjen havaitsemiseen ja riskien kerrostamiseen

Osteosarkoomaa pidetään yleisimpänä lasten ja nuorten pahanlaatuisena luukasvaimena. Noin 15–20 prosentilla osteosarkoomapotilaista on havaittavissa oleva metastaattinen sairaus, ja suurimmalla osalla (85 %) on keuhkovauriot ainoana etäpesäkekohtana. Aiemmat tutkimukset ovat osoittaneet, että yleinen eloonjäämisprosentti potilailla, joilla on paikallinen osteosarkooma ilman metastaattista sairautta, on noin 60–70 %, kun taas eloonjäämisprosentti laskee 10–30 % potilailla, joilla on metastaattinen sairaus. Vaikka viime aikoina neoadjuvantti- ja adjuvanttikemoterapeuttiset hoito-ohjelmat voivat vähentää kuolleisuutta, 30–50 % potilaista kuolee edelleen keuhkometastaaseihin. Keuhkojen etäpesäkkeiden lukumäärällä, jakautumisella ja ajoituksella on ennustearvoa eloonjäämisen kannalta, ja siksi tietokonetomografialla (CT) tehdyllä rintakehän kuvantamisella on edelleen keskeinen rooli taudin seurannassa. Viime vuosikymmenen aikana monidetektori-TT-skannerin tekniikka on tehostanut lukuisten pienempien keuhkovaurioiden havaitsemista, mikä toisaalta voi lisätä diagnostista herkkyyttä keuhkojen etäpesäkkeille, mutta spesifisyys voi kuitenkin heikentyä. Viime vuosina syvään oppiva tekoäly (AI) -algoritmi monenlaisissa kuvantamistutkimuksissa on ollut kuuma aihe. Tällä hetkellä yhä useampia syväoppimistekniikoihin perustuvia tietokoneavusteisia diagnoosijärjestelmiä (CAD) on kehitetty ja tuotu markkinoille nopeasti ja joiden tavoitteena on nopeampi seulominen ja keuhkokyhmyjen oikea tulkinta. Toistaiseksi hyvänlaatuisten/pahanlaatuisten kyhmyjen luokittelun tarkkuuden parantamiseen keskittyvät tutkimukset ovat edistyneet merkittävästi syväoppimistekniikoiden valtavan edistymisen innoittamana. Näin ollen suurin osa olemassa olevista CAD-järjestelmistä pystyy suorittamaan keuhkokyhmyjen luokituksen 90 %:n tarkkuudella. Kliinisessä käytännössä keuhkokyhmyn maligniteetin määrittäminen, mutta myös ero primaarisen karsinooman ja keuhkonsisäisen etäpesäkkeen välillä on ratkaisevan tärkeää potilaan hoidossa. Suurin osa olemassa olevasta CAD-järjestelmässä käytettyjen keuhkokyhmyjen luokittelusta on kuitenkin edelleen binäärimalli (hyvänlaatuinen vs pahanlaatuinen), koska perusteellisempaa kyhmyluokitusta ei ole ominaista primaarisen ja metastaattisen kyhmyn halkeamisesta. Tietojemme mukaan vain muutamat tutkimukset ovat toistaiseksi keskittyneet syväoppimiseen perustuvan CAD-järjestelmän suorituskykyyn metastaattisen keuhkokyhmyn tunnistamiseksi. Tässä ehdotetussa tutkimuksessa tutkijat pyrkivät määrittämään yhden tietokoneavusteisen järjestelmän tarkkuuden ja herkkyyden, joka perustuu syvään oppivaan tekoälyalgoritmiin keuhkojen kyhmyjen havaitsemiseksi ja riskin kerrostamiseksi osteogeenista sarkoomaa sairastavilla potilailla.