Identification du cancer de l'ovaire sur CT en utilisant l'apprentissage en profondeur

Le cancer de l'ovaire est la malignité gynécologique la plus meurtrière, avec 20 890 nouveaux cas et 12 730 décès attendus aux États-Unis en 2025. Malgré la prise en compte seulement de 2,1% des cancers féminins, il provoque 4,3% des décès liés au cancer. Le risque à vie de développer un cancer de l'ovaire est de 1 sur 78, avec un risque de mortalité de 1 sur 108. Le traitement optimal implique une résection chirurgicale complète suivie d'une chimiothérapie; Cependant, les taux de survie sont restés largement inchangés au cours des deux dernières décennies. La détection précoce améliore considérablement la survie, mais seulement 31% des cas sont diagnostiqués à un stade précoce en raison de la nature asymptomatique de la maladie. Aucun test de dépistage universel n'existe, et les méthodes actuelles, notamment le Ca-125 et l'échographie transvaginale, ont des limites à la réduction de la mortalité.

La tomodensitométrie (TDM) est couramment utilisée pour la détection du cancer de l'ovaire, mais son efficacité est limitée par les symptômes non spécifiques. Le dépistage de la TDM basé sur l'IA a suscité l'intérêt, l'apprentissage en profondeur étant prometteur dans la détection du cancer. Cependant, des défis restent pour garantir la généralisation du modèle et l'optimisation des paramètres techniques. Un dépistage efficace doit minimiser les chirurgies inutiles, car les essais précédents ont signalé des taux élevés de faux positifs et des complications chirurgicales. Pour y remédier, l'étude a développé Cat-OV, un outil basé sur l'IA pour la détection du cancer de l'ovaire en utilisant l'imagerie CT. Le système intègre un modèle de régression de la partie corporelle (BPR) pour la localisation pelvienne et un classificateur d'ensemble d'apprentissage multiple (MIL) avec cinq réseaux de neurones convolutionnels (CNN) pour prédire la présence du cancer. Cat-OV a été évalué sur trois ensembles de tests: un ensemble de données interne, un ensemble de données internationales des États-Unis et un ensemble de données multi-institutionnel à l'échelle nationale de Taiwan.

Cette étude rétrospective a été approuvée par le comité d'examen institutionnel, et le consentement éclairé a été levé. L'ensemble de données a été construit à partir de tomodensitométrie de patients âgés de ≥ 20 qui ont subi une chirurgie ovarienne entre 2010 et 2020 à l'hôpital Chang Gung Memorial. Les cas malins comprenaient divers sous-types histopathologiques, tandis que les témoins étaient constitués de tumeurs ovariennes bénignes et d'un ensemble de données enrichi d'individus sans cancer. L'ensemble de données final comprenait 5 680 cas, divisés en un ensemble de formation / validation (n = 4 554) et un ensemble de tests internes (n = 1 126), dont 173 cas de cancer et 953 cas de contrôle. L'ensemble de données international comprenait 40 cancer et 47 cas de contrôle de l'hôpital Brigham et des femmes. L'ensemble de données national comprenait 447 cas de cancer de l'ovaire et 1 131 contrôles de la base de données nationale d'assurance maladie de Taiwan.

Le modèle BPR, modifié à partir de RESNET50, les régions pelviennes localisées sur les tomodensitogrammes grâce à l'apprentissage non supervisé. La formation concernait le prétraitement, l'augmentation et la sélection de sous-volumes basés sur la régression. Le modèle de classification MIL a traité chaque sous-volume 3D comme un "sac" de tranches 2D, en utilisant EfficientNetV2-S comme squelette et un module d'agrégation basé sur l'attention pour la prédiction finale. La formation impliquait le prétraitement, l'augmentation et une stratégie de validation croisée cinq fois. Le modèle d'ensemble final a déterminé la classification basée sur les logites moyennes et les seuils optimisés. La visualisation a été réalisée en utilisant la technique du goulot d'étranglement par échantillon pour améliorer l'interprétabilité.

L'histopathologie chirurgicale a servi de norme de référence, examinée par un pathologiste expérimenté utilisant la classification de l'OMS 2020. Une analyse immunohistochimique a été réalisée pour distinguer le cancer de l'ovaire primaire des métastases. Les tumeurs ont été mise en scène selon le système Figo de la 8e édition. Cette étude vise à améliorer la détection du cancer de l'ovaire et l'efficacité du dépistage par l'analyse CT dirigée par l'IA.