Munasarjasyövän tunnistaminen CT: ssä syväoppimisella

Munasarjasyöpä on surkein gynekologinen pahanlaatuisuus, ja Yhdysvalloissa odotetaan 20 890 uutta tapausta ja 12 730 kuolemaa vuonna 2025. Huolimatta vain 2,1% naispuolisista syöpistä, se aiheuttaa 4,3% syöpään liittyvistä kuolemista. Munasarjasyövän kehittymisen elinikäinen riski on yksi 78: sta, ja kuolleisuusriski on yksi 108: sta. Optimaaliseen hoitoon liittyy täydellinen kirurginen resektio, jota seuraa kemoterapia; Selviytymisaste on kuitenkin pysynyt suurelta osin ennallaan kahden viime vuosikymmenen aikana. Varhainen havaitseminen parantaa merkittävästi eloonjäämistä, mutta vain 31% tapauksista diagnosoidaan varhaisessa vaiheessa sairauden oireettoman luonteen vuoksi. Yleistä seulontakoetta ei ole, ja nykyisillä menetelmillä, mukaan lukien CA-125 ja transvaginaalinen ultraääni, on rajoituksia kuolleisuuden vähentämisessä.

Tietokonetomografiaa (CT) käytetään yleisesti munasarjasyövän havaitsemiseen, mutta sen tehokkuutta rajoittavat epäspesifiset oireet. AI-ohjattu CT-seulonta on herättänyt kiinnostusta, ja syvä oppiminen osoittaa lupaavan syövän havaitsemisessa. Haasteet ovat kuitenkin edelleen mallin yleistävyyden varmistamisessa ja teknisten parametrien optimoinnissa. Tehokkaan seulonnan on minimoitava tarpeettomat leikkaukset, koska aiemmissa tutkimuksissa ilmoitettiin korkeat väärän positiiviset määrät ja kirurgiset komplikaatiot. Tämän ratkaisemiseksi tutkimus kehitti CAT-OV: n, AI-pohjaisen työkalua munasarjasyövän havaitsemiseen CT-kuvantamisen avulla. Järjestelmä integroi kehon osan regression (BPR) mallin lantion lokalisoinnille ja monen ilmentymän oppimisen (MIL) yhtyeen luokittelija viidellä konvoluutiohermostoverkolla (CNN) syövän läsnäolon ennustamiseksi. CAT-OV arvioitiin kolmessa testijoukossa: sisäinen tietojoukko, kansainvälinen tietojoukko Yhdysvalloista ja valtakunnallinen moni-instituuttinen tietojoukko Taiwanista.

Institutionaalinen tarkastuslautakunta hyväksyi tämän retrospektiivisen tutkimuksen, ja tietoinen suostumus luopui. Tietojoukko rakennettiin ≥20 -vuotiaiden potilaiden CT -skannauksista, joille tehtiin munasarjojen leikkaus vuosina 2010–2020 Chang Gungin Memorial Hospital -sairaalassa. Pahanlaatuisiin tapauksiin sisältyi erilaisia ​​histopatologisia alatyyppejä, kun taas kontrollit koostuivat hyvänlaatuisista munasarjojen kasvaimista ja syöpävapaiden yksilöiden rikastetusta aineistosta. Lopullinen tietojoukko koostui 5 680 tapausta, jotka jaettiin koulutus-/validointijoukkoon (n = 4 554) ja sisäiseen testijoukkoon (n = 1 126), mukaan lukien 173 syöpä ja 953 kontrollitapausta. Kansainvälinen tietojoukko sisälsi 40 syöpää ja 47 valvontatapausta Brighamin ja naisten sairaalasta. Valtakunnallinen tietojoukko koostui 447 munasarjasyöpätapauksesta ja 1 131 valvontaa Taiwanin kansallisesta sairausvakuutustietokannasta.

ResNet50: stä muokattu BPR -malli, paikalliset lantion alueet CT -skannauksissa valvomattoman oppimisen kautta. Koulutus sisälsi esikäsittely-, lisäys- ja regressiopohjaisen alakerroksen valinnan. MIL-luokitusmalli käsitteli jokaista 3D-alaryhmää 2D-viipaleiden "pussina" käyttämällä ExcentyNetv2-S: tä selkärangana ja huomiopohjaisena aggregaatiomoduulina lopulliseen ennusteeseen. Koulutus sisälsi esikäsittely, lisäys ja viisinkertainen ristiinvalidointistrategia. Lopullinen ryhmämalli määritti luokituksen keskiarvoisten logiittien ja optimoitujen kynnysarvojen perusteella. Visualisointi suoritettiin käyttämällä näytteen pullonkaula-tekniikkaa tulkittavuuden parantamiseksi.

Kirurginen histopatologia toimi referenssistandardina, jonka kokenut patologi tarkasteli käyttämällä vuoden 2020 WHO: n luokitusta. Immunohistokemiallinen analyysi suoritettiin primaarisen munasarjasyövän erottamiseksi etäpesäkkeistä. Kasvaimet lavastettiin 8. painos Figo -järjestelmän mukaan. Tämän tutkimuksen tarkoituksena on parantaa munasarjasyövän havaitsemista ja seulontaa AI-ohjatun CT-analyysin avulla.