Rilevazione AI dei tumori della vescica in endoscopia

Contesto della ricerca Il cancro della vescica è il nono tumore maligno più comune a livello mondiale, con circa 430.000 nuovi casi diagnosticati ogni anno. La diagnosi e il monitoraggio standard del cancro della vescica si basano sulla cistoscopia a luce bianca (WLC), con oltre 2 milioni di cistoscopie eseguite ogni anno negli Stati Uniti e in Europa. A causa dell’elevato tasso di recidiva del cancro della vescica, sono necessari un monitoraggio e un intervento frequenti.

La diagnosi precoce e la resezione completa del cancro della vescica non muscolo-invasivo possono ridurre la recidiva e la progressione. Tuttavia, fino al 40% dei pazienti con malattia multifocale non ottiene una resezione completa durante la resezione transuretrale iniziale del tumore della vescica (TURBT). Molti tumori papillari e lesioni piatte sono difficili da identificare tramite WLC. Esiste un urgente bisogno di tecnologie di imaging aggiuntive economicamente vantaggiose, non invasive e di facile utilizzo per affrontare le carenze diagnostiche della WLC.

I recenti progressi nell’elaborazione automatizzata delle immagini basata sul deep learning possono fornire nuove soluzioni ai limiti della cistoscopia. Le reti neurali convoluzionali (CNN) possiedono la capacità di apprendere relazioni complesse e integrare le conoscenze esistenti in modelli, mostrando potenziali applicazioni in vari campi, inclusa la diagnosi del tumore della vescica. Abbiamo utilizzato l'algoritmo HRNet, una rete neurale convoluzionale, per una migliore rilevazione del tumore della vescica.

Processo di ricerca 4.1 Criteri di inclusione della coorte di pazienti: 1. Sono disponibili i pazienti che avevano un tumore alla vescica e hanno ricevuto WLC o TURBT e il video completo dell'intervento.

Criteri di esclusione: 1. Il video è troppo sfocato per distinguere la parete vescicale normale e il tumore della vescica. 2. Mancanza di comparsa del tumore della vescica prima della resezione. 3. Mancanza di consenso informato.

Le informazioni sui pazienti nei video non verranno mostrate. I video dei 200 pazienti con tumore della vescica inizialmente reclutati verranno utilizzati per lo sviluppo dell'algoritmo. I video di altri 100 pazienti vengono utilizzati per la convalida dell'algoritmo.

4.2 Preelaborazione dei dati Per ridurre il volume dei dati, estraiamo il frame con un rapporto di 1:4. Due urologi delineano il confine dei tumori della vescica in ciascun fotogramma separatamente e si controllano a vicenda. L'algoritmo AI viene utilizzato per modellare gli stessi tumori della vescica. Vengono confrontati i contorni del tumore della vescica annotati dagli urologi e dall'algoritmo, vengono analizzati il ​​valore IOU, la precisione, la sensibilità e il tasso di falsi negativi.

4.3 Sviluppo dell'algoritmo Questo studio utilizza la segmentazione semantica per identificare i tumori della vescica nel WLC. La struttura di rete D-LinkNet utilizzava un ResNet34 pre-addestrato sul set di dati ImageNet come codificatore, con la parte centrale che utilizzava convoluzioni dilatate con diversi tassi di dilatazione in cascata e l'upsampling eseguito utilizzando la deconvoluzione. La risoluzione originale di tutte le immagini è 1920×1080, sottocampionata di 2 a 960×540 e riempita di zero nella direzione della larghezza per ottenere l'immagine con una risoluzione di 960×544. Le immagini RGB di queste dimensioni sono state normalizzate, sottratte la media e divise per varianza prima di essere immesse nella rete. Le immagini vengono sottoposte a cinque processi di codifica, convoluzioni dilatate e cinque processi di decodifica, producendo infine un risultato di previsione di 960×544, che è stato ulteriormente post-elaborato. In questa ricerca, le impostazioni dei parametri erano le seguenti: dimensione batch di 8, ottimizzatore Adam, tasso di apprendimento di 0,001. L'ambiente di formazione era una GPU NVIDIA TITAN Xp.

4.4 Interpretazione dei risultati L'intersezione sull'unione (IOU) è uno standard cruciale per valutare la capacità di riconoscimento di immagini a fotogramma singolo nel riconoscimento delle immagini. Quando l'IOU è al di sopra della soglia, suggerisce che il modello rileva con successo l'oggetto, indicando un vero positivo. Quando l'IOU non riesce a raggiungere la soglia, ciò suggerisce che il modello non riesce a rilevare l'oggetto e indica un falso negativo. Se una previsione appare senza fondamento nell'immagine, è considerata un falso positivo. Calcoliamo la sensibilità e la precisione del modello nel set di test. Il coefficiente Dice misura la somiglianza tra due campioni. Un coefficiente Dice medio più elevato indica una migliore prestazione di rilevamento del modello.

4.5 Indicatori di osservazione

① Annotazione e classificazione video: stato dell'annotazione e risultati della classificazione della discernibilità del riconoscimento RLN per i video chirurgici di formazione e set di test; ② Dopo il raggruppamento e l'addestramento, osservare la sensibilità, la precisione, il tasso di falsi negativi, il tasso di falsi positivi e il coefficiente Dice medio del modello alle soglie IoU di 0,1 e 0,5 nel test impostato in diversi gruppi di discernibilità.

4.6 Metodi statistici L'analisi sarà analizzata da R 4.0.2 software, i dati saranno espressi come numeri assoluti o percentuali.