딥 러닝을 사용한 CT에서 난소 암 식별

난소 암은 20,890 건의 새로운 사례와 2025 년 미국에서 12,730 건의 사망자가있는 가장 치명적인 부인과 악성 악성 악성 악성 악성 종양입니다. 여성 암의 2.1%에 불과하지만 암 관련 사망의 4.3%를 유발합니다. 난소 암 발병의 평생 위험은 78 명 중 1 명이며 사망률은 108 명 중 1입니다. 최적의 치료는 완전한 외과 적 절제술과 화학 요법을 포함합니다. 그러나 생존율은 지난 20 년 동안 크게 변하지 않았다. 조기 발견은 생존을 크게 향상 시키지만 질병의 무증상 성격으로 인해 초기 단계에서 사례의 31% 만 진단됩니다. 보편적 인 선별 검사는 존재하지 않으며 CA-125 및 경과 초음파를 포함한 현재의 방법은 사망률 감소에 한계가 있습니다.

컴퓨터 단층 촬영 (CT)은 일반적으로 난소 암 검출에 사용되지만 그 효과는 비특이적 증상에 의해 제한됩니다. AI 중심 CT 선별 검사는 암 탐지에 대한 약속을 보여주는 딥 러닝과 함께 관심을 끌었습니다. 그러나 모델 일반화 가능성을 보장하고 기술 매개 변수를 최적화하는 데있어 과제는 계속 남아 있습니다. 이전의 시험에서 높은 오 탐지 비율과 외과 적 합병증을보고 한 것처럼 효과적인 선별 검사는 불필요한 수술을 최소화해야합니다. 이를 해결하기 위해이 연구는 CT 영상을 사용하여 난소 암 탐지를위한 AI 기반 도구 인 CAT-OV를 개발했습니다. 이 시스템은 골반 현지화를위한 BPR (Body Part Regression) 모델과 5 개의 컨볼 루션 신경 네트워크 (CNN)를 갖춘 다중 인스턴스 학습 (MIL) 앙상블 분류기를 통합하여 암 존재를 예측합니다. CAT-OV는 내부 데이터 세트, 미국의 국제 데이터 세트 및 대만의 전국적인 다중 기관 데이터 세트의 세 가지 테스트 세트에서 평가되었습니다.

이 후 향적 연구는 기관 검토위원회의 승인을 받았으며 사전 동의가 면제되었습니다. 이 데이터 세트는 Chang Gung Memorial Hospital에서 2010 년에서 2020 년 사이에 난소 수술을받은 20 세 이상의 환자의 CT 스캔으로 구성되었습니다. 악성 사례에는 다양한 조직 병리학 적 하위 유형이 포함 된 반면, 대조군은 양성 난소 종양과 암이없는 개인의 농축 데이터 세트로 구성되었다. 최종 데이터 세트는 5,680 건, 훈련/검증 세트 (n = 4,554)로 나뉘어 173 개의 암 및 953 개의 대조군 사례를 포함하여 내부 테스트 세트 (n = 1,126)로 나뉩니다. 국제 데이터 세트에는 Brigham과 Women 's Hospital의 40 개 암과 47 건의 통제 사례가 포함되었습니다. 전국 데이터 세트는 447 개의 난소 암 사례와 대만의 국립 건강 보험 데이터베이스에서 1,131 개의 컨트롤로 구성되었습니다.

RESNET50에서 수정 된 BPR 모델은 감독되지 않은 학습을 통해 CT 스캔에 현지화 된 골반 영역입니다. 훈련에는 전처리, 증강 및 회귀 기반 하위 볼륨 선택이 포함되었습니다. MIL 분류 모델은 각각의 3D 서브 볼륨을 2D 슬라이스의 "백"로 처리했으며, 효율적인 NETV2-S를 백본으로 사용하고 최종 예측을위한주의 기반 응집 모듈을 사용했습니다. 훈련에는 전처리, 증강 및 5 배 교차 검증 전략이 포함되었습니다. 최종 앙상블 모델은 평균 로트 및 최적화 된 임계 값을 기반으로 분류를 결정했습니다. 해석 성을 향상시키기 위해 샘플 당 병목 현상 기술을 사용하여 시각화를 수행했습니다.

외과 적 조직 병리학은 2020 WHO 분류를 사용하여 숙련 된 병리학자가 검토 한 기준 표준 역할을했습니다. 1 차 난소 암을 전이와 구별하기 위해 면역 조직 화학적 분석을 수행 하였다. 8 판 FIGO 시스템에 따라 종양이 단계적으로 진행되었다. 이 연구는 AI 중심 CT 분석을 통해 난소 암 검출 및 스크리닝 효능을 향상시키는 것을 목표로합니다.