Détection par IA des tumeurs de la vessie sous endoscopie

Contexte de la recherche Le cancer de la vessie est la neuvième tumeur maligne la plus répandue dans le monde, avec environ 430 000 nouveaux cas diagnostiqués chaque année. Le diagnostic et la surveillance standard du cancer de la vessie reposent sur la cystoscopie en lumière blanche (WLC), avec plus de 2 millions de cystoscopies réalisées chaque année aux États-Unis et en Europe. En raison du taux élevé de récidive du cancer de la vessie, une surveillance et des interventions fréquentes sont nécessaires.

La détection précoce et la résection complète du cancer de la vessie non invasif sur le plan musculaire peuvent réduire la récidive et la progression. Cependant, jusqu'à 40 % des patients atteints d'une maladie multifocale n'obtiennent pas une résection complète lors de la résection transurétrale initiale de la tumeur de la vessie (TURBT). De nombreuses tumeurs papillaires et lésions plates sont difficiles à identifier via WLC. Il existe un besoin urgent de technologies d’imagerie complémentaires rentables, non invasives et conviviales pour remédier aux lacunes diagnostiques du WLC.

Les progrès récents dans le traitement d’images automatisé basé sur l’apprentissage profond peuvent fournir de nouvelles solutions aux limites de la cystoscopie. Les réseaux neuronaux convolutifs (CNN) possèdent la capacité d'apprendre des relations complexes et d'intégrer les connaissances existantes dans des modèles, montrant ainsi des applications potentielles dans divers domaines, notamment le diagnostic des tumeurs de la vessie. Nous avons utilisé l'algorithme HRNet, un réseau neuronal convolutionnel, pour améliorer la détection des tumeurs de la vessie.

Processus de recherche 4.1 Critères d'inclusion de la cohorte de patients : 1. Les patients qui ont eu une tumeur de la vessie et ont reçu une WLC ou une TURBT, ainsi que la vidéo complète de la chirurgie sont disponibles.

Critères d'exclusion : 1. La vidéo est trop floue pour distinguer la paroi vésicale normale et la tumeur de la vessie. 2. Absence d'apparition d'une tumeur de la vessie avant la résection. 3. Manque de consentement éclairé.

Les informations sur les patients dans les vidéos ne seront pas affichées. Des vidéos des 200 patients atteints d'une tumeur de la vessie initialement recrutés seront utilisées pour le développement d'algorithmes. Les vidéos de 100 patients supplémentaires sont utilisées pour la validation de l'algorithme.

4.2 Prétraitement des données Pour réduire le volume des données, nous extrayons la trame dans un rapport de 1:4. Deux urologues délimitent séparément les limites des tumeurs de la vessie dans chaque cadre et se vérifient mutuellement. L’algorithme d’IA est utilisé pour modeler les mêmes tumeurs de la vessie. Les contours de la tumeur de la vessie annotés par les urologues et l'algorithme sont comparés, la valeur IOU, la précision, la sensibilité et le taux de faux négatifs sont analysés.

4.3 Développement d'algorithmes Cette étude utilise la segmentation sémantique pour identifier les tumeurs de la vessie dans WLC. La structure du réseau D-LinkNet utilisait un ResNet34 pré-entraîné sur l'ensemble de données ImageNet comme encodeur, la partie centrale utilisant des convolutions dilatées avec différents taux de dilatation en cascade et un suréchantillonnage effectué par déconvolution. La résolution originale de toutes les images est de 1920 × 1080, sous-échantillonnée de 2 à 960 × 540 et complétée par des zéros dans le sens de la largeur pour obtenir l'image avec une résolution de 960 × 544. Les images RVB de cette taille ont été normalisées, soustraites de la moyenne et divisées en variance avant d'être entrées dans le réseau. Les images subissent cinq processus de codage, des convolutions dilatées et cinq processus de décodage, produisant finalement un résultat de prédiction de 960 × 544, qui a ensuite été post-traité. Dans cette recherche, les réglages des paramètres étaient les suivants : taille de lot de 8, optimiseur Adam, taux d'apprentissage de 0,001. L'environnement de formation était un GPU NVIDIA TITAN Xp.

4.4 Interprétation des résultats L'intersection sur union (IOU) est une norme cruciale pour évaluer la capacité de reconnaissance d'image à image unique en reconnaissance d'image. Lorsque IOU est supérieur au seuil, cela suggère que le modèle détecte l'objet avec succès, indiquant un vrai positif. Lorsque IOU ne peut pas atteindre le seuil, cela suggère que le modèle ne parvient pas à détecter l'objet, ce qui indique un faux négatif. Si une prédiction apparaît sans vérité terrain dans l’image, elle est considérée comme un faux positif. Nous calculons la sensibilité et la précision du modèle dans l'ensemble de test. Le coefficient Dice mesure la similarité entre deux échantillons. Un coefficient Dice moyen plus élevé indique une meilleure performance de détection du modèle.

4.5 Indicateurs d'observation

① Annotation et classification vidéo : statut d'annotation et résultats de classification de discernabilité de reconnaissance RLN pour les vidéos de formation et de test sur les opérations chirurgicales ; ② Après le regroupement et l'entraînement, observez la sensibilité, la précision, le taux de faux négatifs, le taux de faux positifs et le coefficient de dés moyen aux seuils IoU de 0,1 et 0,5 dans l'ensemble de tests sous différents groupes de discernabilité.

4.6 L'analyse des méthodes statistiques sera analysée par R 4.0.2 logiciel, les données seront exprimées en nombres absolus ou en pourcentages.