MoleGazerin kehittämisen toteutettavuustutkimus

Tausta

Melanooman ilmaantuvuus lisääntyy nopeasti: Yhdistyneessä kuningaskunnassa todettiin 15 906 uutta tapausta vuonna 2015, mikä johti 2 285 kuolemaan. Melanooman varhainen diagnosointi on välttämätöntä, koska varhaisen vaiheen taudin suhteellinen eloonjäämisaste on yli 95 %, kun taas edenneen melanooman suhteellinen eloonjäämisaste on 8-25 %. Isossa-Britanniassa ihosyövän kustannusten ennustetaan ylittävän 180 miljoonaa puntaa vuoteen 2020 mennessä ja aiheuttavan merkittävää sairastuvuutta (ja kuolleisuutta) sairastuneille henkilöille. Jopa 60 % melanoomasta johtuu olemassa olevista naevista. Varhainen melanooman havaitseminen perustuu siihen, että henkilöt tunnistavat muutokset naevissa, ja henkilöille, joilla on useita naevia, koulutetut ihotautilääkärit tekevät näiden naevien asiantuntija-arvioinnin käyttämällä diagnostisia apuvälineitä, kuten dermoskopiaa (10-kertainen suurennus). Lisäksi on näyttöä siitä, että naevin peräkkäinen seuranta lisää myös melanooman havaitsemisastetta.

Koko kehon valokuvaus (TBP) on diagnostinen apu useiden nevien seurantaan

Potilailla, joilla on suuri riski sairastua melanoomaan, jossa on multippeli nevi (> 60), koko kehon valokuvaa (TBP) (standardoituja kehon osien kuvia, jotka on otettu korkearesoluutioisella kameralla) käytetään apuvälineenä naevin seurannassa, vertailussa ja seurannassa. ja sen on osoitettu parantavan melanooman diagnoosia. Suositeltu naevin lyhytaikainen seuranta on 3 kuukautta, mutta se rajoittuu suurelta osin yksittäisiin leesioihin. Kansallisessa terveydenhuollossa (NHS), jossa on resursseja rajoitetusti, usein ihotautilääkärin suorittama monien naevien seuranta on epäkäytännöllistä ja tehotonta, joten melanooman varhainen diagnoosi perustuu tehokkaasti potilaan omaan valvontaan. Mahdollinen ratkaisu on TBP-kuvien automaattinen analyysi tekoälyn (AI) avulla jäljittää ja seurata naevia ajan kuluessa.

TBP:hen sovellettu tekoäly voisi parantaa "moolikartoituksen" tehokkuutta

Aiempi AI-arviointi ihovaurioista on osoittanut vastaavan tarkkuuden kuin koulutetut ihotautilääkärit ihosyövän diagnosoinnissa, mutta tämä perustui yksittäisen leesion analyysiin staattisilla aikapisteillä (biopsialla todistetuilla diagnooseilla). Leesioiden käyttö (eli suuri kliininen epäily melanoomasta) rajoittaa vakavasti kliinistä soveltuvuutta, ja Cochrane-katsauksessa todettiin, että tietokoneavusteisen havaitsemisen hyödyllisyys melanooman diagnosoinnissa toissijaisessa hoidossa on edelleen tuntematon. Kliinisesti merkityksellisempi kysymys on, onko automatisoitu muutosten havaitseminen naevissa käyttämällä peräkkäisiä TBP-kuvia, jota kutsutaan kliinisesti "moolikartoitukseksi", voi todellakin parantaa melanooman varhaista diagnoosia.

Tähän mennessä NHS:n TBP-järjestelmissä on rajoitettu automaatio, joka on rajoitettu kuvien tallentamiseen ja hakemiseen. Vaikka yksi automatisoitu kokovartalon skannausjärjestelmä on olemassa ja se voi tulevaisuudessa sisältää tekoälyyn perustuvan diagnoosin nykyisten kuvanotto- ja leesion täsmäytysalgoritmien lisäksi, täydellinen kliininen validointi ja mahdollinen myöhempi käyttöönotto NHS:ssä tulee kalliiksi johtuen tarvittavista investoinneista. skannausjärjestelmä (nykyinen hinta 1 miljoona US dollaria). Ei tiedetä, voidaanko samat tai parempia tuloksia saavuttaa käyttämällä tavanomaisempia kuvanottolaitteita ja kehittyneitä tekoälytekniikoita. Tutkijat ehdottavat astronomisten tekoälymenetelmien uutta sovellusta melanooman varhaiseen havaitsemiseen käyttämällä tavallista TBP-pohjaista naevien seurantaa, jota tällä hetkellä käytetään NHS:ssä ja jota voidaan käyttää yksilöiden kliinisen arvioinnin lisänä.

Tähtitieteellisten tekoälytekniikoiden soveltaminen useiden naevien TBP-seurantaan

Ohimenevän tieteen tähtitieteen tavoitteena on havaita ja seurata uusien tähtitieteellisten lähteiden, kuten räjähtävien tähtien, kehitystä. Sekä pitkän että lyhyen aikavälin kehitystä osoittavat yksittäiset tapahtumat havaitaan vertaamalla uusia kuvia arkistotietoihin ja luokitellaan ominaisuuden mukaan, mukaan lukien ohimenevä kirkkaus, väri, oikea liike ja laajuus. Huippuluokan tähtitieteelliset tutkimukset tarkkailevat taivasta joka ilta useiden vuosien ajan havaitakseen hienovaraisia ​​muutoksia. Tekoälytekniikoita (kuten satunnaiset metsät ja toistuvat neuroverkot; RNN), jotka käyttävät koko aikasarjahistoriaa ja kontekstuaalista tietoa, käytetään rutiininomaisesti tapahtumien tunnistamiseen ja luokitteluun todennäköisyyksien perusteella. Kun jokainen uusi havainto tarjoaa lisätietoa, tähtitieteelliset transienttitutkimukset voivat rutiininomaisesti havaita ja karakterisoida uusia lähteitä siten, että uusien lähteiden kehitys voidaan ennustaa 99,5 %:n tarkkuudella vain kolmen ajankohdan perusteella.

Tämä tähtitieteessä kohtaama haaste on analoginen "moolikartoituksen" kanssa henkilöille, joilla on suuri riski sairastua melanoomaan; sekä naevi- että tähtitieteelliset lähteet voidaan luonnehtia erillisiksi lähteiksi homogeenista taustaa vasten, joita seurataan useissa kuvissa muutoksen havaitsemiseksi. Siksi tutkijat olettavat, että tähtitieteelliset tekoälytekniikat sopivat ihanteellisesti tämän kliinisen ongelman ratkaisemiseen, ja kehittävät MoleGazer-projektia tämän testaamiseksi.

Perustelut

MoleGazer-algoritmin kehittämiseksi tutkijat tarvitsevat perustietojoukon soveltaakseen tähtitieteellisiä tekoälyalgoritmeja TBP-kuviin naevien havaitsemiseksi ja seuraamiseksi peräkkäisten kuvien välillä. Tällä hetkellä ei ole julkisesti saatavilla olevia TBP-kuvien tietokantoja, joiden avulla tutkijat voisivat testata tämän toteutettavuuden, ja siksi tässä tutkimuksessa on tarkoitus kerätä:

1. aikasarja kohortti TBP-kuvia, jotka on otettu kiinteinä peräkkäisinä aikapisteinä kahden vuoden aikana
2. TBP-kuvien peruskohortti, jossa on peräkkäisiä kuvia, jotka on otettu milloin tahansa Keräämällä TBP-kuvia, tutkijat voivat tutkia naevin havaitsemisen ja karakterisoinnin herkkyyttä ihon sävyn, valaistustason, kuvan rekisteröinnin ja taustan vähennystekniikoiden suhteen, mikä mahdollistaa tutkijoiden automatisoida myös naevien havaitseminen ja seurata niiden kehitystä missä tahansa tutkimusryhmän peräkkäisessä kuvassa. Tämän tietokannan kehittäminen antaa tutkijoille mahdollisuuden osoittaa, että astronomisia tekoälymenetelmiä voidaan soveltaa TBP-kuviin.