Nauwkeurigheid van deep-learning algoritme voor detectie en risicostratificatie van longknobbeltjes

Osteosarcoom wordt beschouwd als de meest voorkomende kwaadaardige bottumor bij kinderen en adolescenten. Ongeveer 15% tot 20% van de patiënten met osteosarcoom vertoont een detecteerbare metastatische ziekte, en de meerderheid van hen (85%) heeft longlaesies als enige plaats van metastase. Eerdere studies hebben aangetoond dat het totale overlevingspercentage bij patiënten met gelokaliseerd osteosarcoom zonder gemetastaseerde ziekte ongeveer 60% tot 70% is, terwijl het overlevingspercentage daalt tot 10% tot 30% bij patiënten met gemetastaseerde ziekte. Hoewel de laatste tijd neoadjuvante en adjuvante chemotherapeutische regimes het sterftecijfer kunnen verlagen, sterft nog steeds 30% tot 50% van de patiënten aan longmetastasen. Aantal, distributie en timing van longmetastasen zijn van prognostische waarde voor overleving en daarom speelt computertomografie (CT) thoraxbeeldvorming nog steeds een cruciale rol bij ziektesurveillance. In het afgelopen decennium heeft de technologie van multidetector CT-scanners de detectie van talrijke kleinere longlaesies verbeterd, wat enerzijds de diagnostische gevoeligheid voor longmetastasen kan verhogen, maar de specificiteit kan verminderd zijn. In de afgelopen jaren is het diep leren van kunstmatige intelligentie (AI)-algoritmen in een breed scala aan beeldvormingsonderzoeken een hot topic. Momenteel is een toenemend aantal Computer-Aided Diagnosis (CAD)-systemen gebaseerd op deep learning-technologieën die gericht zijn op snellere screening en correcte interpretatie van longknobbeltjes snel ontwikkeld en op de markt gebracht. Tot nu toe hebben de onderzoeken die zich concentreren op het verbeteren van de nauwkeurigheid van de classificatie van goedaardige/kwaadaardige knobbeltjes substantiële vooruitgang geboekt, geïnspireerd door de enorme vooruitgang van deep learning-technieken. Bijgevolg kunnen de meeste bestaande CAD-systemen longknobbelclassificatie uitvoeren met een nauwkeurigheid van meer dan 90%. In de klinische praktijk is niet alleen de bepaling van de maligniteit van longknobbels, maar ook het onderscheid tussen primair carcinoom en intrapulmonale metastase cruciaal voor de behandeling van de patiënt. De meeste bestaande classificatie van longknobbels die in het CAD-systeem wordt toegepast, blijft echter een binair patroon (goedaardig versus kwaadaardig), bij gebrek aan een meer grondige classificatie van knobbeltjes die wordt gekenmerkt door splitsing van primaire en gemetastaseerde knobbeltjes. Voor zover wij weten, hebben slechts enkele onderzoeken zich tot nu toe gericht op de prestaties van een op deep learning gebaseerd CAD-systeem voor het identificeren van metastatische longknobbeltjes. In deze voorgestelde studie probeerden de onderzoekers de nauwkeurigheid en gevoeligheid te bepalen van één computerondersteund systeem op basis van een diep lerend algoritme voor kunstmatige intelligentie voor detectie en risicostratificatie van longknobbeltjes bij patiënten met osteogeen sarcoom.