Tekoälyn virtsarakon kasvainten havaitseminen endoskopiassa

Tutkimuksen tausta Virtsarakon syöpä on yhdeksänneksi yleisin pahanlaatuinen syöpä maailmanlaajuisesti, ja vuosittain diagnosoidaan arviolta 430 000 uutta tapausta. Virtsarakon syövän standardidiagnoosi ja seuranta perustuvat valkoisen valon kystoskopiaan (WLC), jossa Yhdysvalloissa ja Euroopassa tehdään vuosittain yli 2 miljoonaa kystoskopiaa. Koska virtsarakon syövän uusiutumisaste on korkea, säännöllinen seuranta ja interventio ovat tarpeen.

Ei-lihakseen invasiivisen virtsarakon syövän varhainen havaitseminen ja täydellinen resektio voi vähentää uusiutumista ja etenemistä. Jopa 40 % potilaista, joilla on multifokaalinen sairaus, ei kuitenkaan saavuta täydellistä resektiota virtsarakon kasvaimen transuretraalisen resektion (TURBT) aikana. Monia papillaarisia kasvaimia ja litteitä vaurioita on vaikea tunnistaa WLC:n avulla. WLC:n diagnostisten puutteiden korjaamiseksi tarvitaan kiireesti kustannustehokkaita, ei-invasiivisia ja käyttäjäystävällisiä lisäkuvantamistekniikoita.

Viimeaikaiset edistysaskeleet syväoppimiseen perustuvassa automaattisessa kuvankäsittelyssä voivat tarjota uusia ratkaisuja kystoskopian rajoituksiin. Konvoluutiohermoverkoilla (CNN) on kyky oppia monimutkaisia ​​suhteita ja integroida olemassa olevaa tietoa malleihin, jotka osoittavat mahdollisia sovelluksia eri aloilla, mukaan lukien virtsarakon kasvaindiagnoosissa. Käytimme HRNet-algoritmia, konvoluutiohermoverkkoa, tehostaaksemme virtsarakon kasvainten havaitsemista.

Tutkimusprosessi 4.1 Potilaskohortin mukaanottokriteerit: 1. Potilaat, joilla oli virtsarakon kasvain ja jotka saivat WLC:n tai TURBT:n, ja täyspitkä leikkausvideo on saatavilla.

Poissulkemiskriteerit: 1. Video on liian epäselvä erottaakseen normaalin virtsarakon seinämän ja rakon kasvaimen. 2. Virtsarakon kasvaimen esiintymisen puute ennen resektiota. 3. Tietoon perustuvan suostumuksen puute.

Potilastietoja ei näytetä videoissa. Algoritmien kehittämiseen käytetään videoita alun perin 200 virtsarakon kasvainpotilaasta. Algoritmin validointiin käytetään 100 lisäpotilaan videoita.

4.2 Tietojen esikäsittely Tietomäärän pienentämiseksi poimimme kehyksen suhteessa 1:4. Kaksi urologia hahmottelee virtsarakon kasvainten rajan kussakin kehyksessä erikseen ja tarkastelee toisiaan. AI-algoritmia käytetään samojen virtsarakon kasvainten muotoilemiseen. Verrataan urologien kirjoittamia virtsarakon kasvaimen ääriviivoja ja algoritmia, analysoidaan IOU-arvo, tarkkuus, herkkyys ja väärän negatiivinen määrä.

4.3 Algoritmin kehittäminen Tässä tutkimuksessa käytetään semanttista segmentointia virtsarakon kasvainten tunnistamiseen WLC:ssä. D-LinkNet-verkkorakenne käytti enkooderinaan ImageNet-tietojoukossa olevaa esikoulutettua ResNet34:ää, jonka keskiosassa hyödynnettiin dilatoituja konvoluutioita, joilla oli erilaisia ​​laajenemisnopeuksia peräkkäin, ja ylösnäytteistys suoritettiin dekonvoluutiota käyttämällä. Kaikkien kuvien alkuperäinen resoluutio on 1920 × 1080, näytteitys 2:lla 960 × 540:ksi ja leveyssuunnassa nollapehmustettu, jotta kuvan resoluutio on 960 × 544. Tämän kokoiset RGB-kuvat normalisoitiin, vähennettiin keskiarvolla ja jaettiin varianssilla ennen verkkoon syöttämistä. Kuvat käyvät läpi viisi koodausprosessia, laajentunutta konvoluutiota ja viisi dekoodausprosessia, mikä tuottaa lopulta ennustetuloksen 960 × 544, jota jatkokäsiteltiin. Tässä tutkimuksessa parametrien asetukset olivat seuraavat: eräkoko 8, Adam Optimizer, oppimisnopeus 0,001. Harjoitusympäristönä oli NVIDIA TITAN Xp GPU.

4.4 Tulosten tulkinta Intersection over union (IOU) on ratkaiseva standardi yhden kehyksen kuvantunnistuskyvyn arvioinnissa kuvantunnistuksessa. Kun IOU on kynnyksen yläpuolella, se viittaa siihen, että malli havaitsee kohteen onnistuneesti, mikä osoittaa todellisen positiivisen. Kun IOU ei voi saavuttaa kynnystä, se viittaa siihen, että malli ei havaitse kohdetta ja osoittaa väärän negatiivisen. Jos ennustus näkyy kuvassa ilman perustotuutta, sitä pidetään vääränä positiivisena. Laskemme mallin herkkyyden ja tarkkuuden testisarjassa. Noppakerroin mittaa kahden näytteen samankaltaisuutta. Korkeampi keskimääräinen noppakerroin osoittaa mallin paremman havaitsemissuorituskyvyn.

4.5 Havaintoindikaattorit

① Videomerkinnät ja luokitus: merkintöjen tila ja RLN-tunnistuksen havaittavuuden luokittelutulokset harjoitus- ja testisarjaleikkausvideoille; ② Ryhmittelyn ja harjoittelun jälkeen tarkkaile mallin herkkyyttä, tarkkuutta, väärää negatiivista määrää, vääriä positiivisia kertoimia ja keskimääräistä noppakerrointa IoU-kynnyksillä 0,1 ja 0,5 testisarjassa eri erotettavuusryhmissä.

4.6 Tilastolliset menetelmät Analyysi analysoidaan R 4.0.2:lla ohjelmisto, tiedot ilmaistaan ​​absoluuttisina lukuina tai prosentteina.