Kunstmatige intelligentie en radiologen bij de detectie van prostaatkanker in MRI: de PI-CAI-uitdaging

Prostaatkanker (PCa) is wereldwijd een van de meest voorkomende vormen van kanker bij mannen. Jaarlijks krijgen wereldwijd een miljoen mannen een diagnose en sterven er 300.000 aan klinisch significante PCa (csPCa) (gedefinieerd als ISUP≥2). Multiparametrische magnetische resonantiebeeldvorming (mpMRI) speelt een steeds belangrijkere rol bij de vroege diagnose van prostaatkanker en wordt voorafgaand aan biopsieën aanbevolen door de European Association of Urology (EAU). De huidige richtlijnen voor het lezen van mpMRI van de prostaat (d.w.z. PI-RADS v2.1) volgen een semi-kwantitatieve beoordeling die substantiële expertise vereist voor correct gebruik. Dit kan leiden tot lage overeenstemming tussen lezers (<50%), suboptimale interpretatie en overdiagnose.

Moderne kunstmatige intelligentie (AI)-algoritmen hebben de weg geëffend voor krachtige computerondersteunde detectie- en diagnosesystemen (CAD) die kunnen wedijveren met menselijke prestaties bij medische beeldanalyse. Klinische proeven zijn de gouden standaard voor het beoordelen van nieuwe medicijnen en interventies op een gecontroleerde en vergelijkende manier, en het equivalent voor het ontwikkelen van AI-algoritmen zijn internationale competities of "grote uitdagingen", waarbij steeds grotere datasets worden vrijgegeven aan het publiek om klinisch relevante taken met AI op te lossen . Grote uitdagingen kunnen het gebrek aan vertrouwen, wetenschappelijk bewijs en adequate validatie tussen AI-oplossingen aanpakken door de middelen te bieden om algoritmen met elkaar te vergelijken met behulp van gemeenschappelijke datasets en een uniforme experimentele opzet.

PI-CAI (Prostate Imaging: Cancer AI) is een geheel nieuwe grote uitdaging, met meer dan 10.000 zorgvuldig samengestelde prostaat-MRI-onderzoeken om moderne AI-algoritmen te valideren en de prestaties van radiologen bij csPCa-detectie en -diagnose te schatten. De belangrijkste aspecten van het onderzoeksontwerp zijn vastgesteld in samenwerking met een internationale, multidisciplinaire wetenschappelijke adviesraad (16 experts op het gebied van prostaat-AI, radiologie en urologie) om de huidige richtlijnen te verenigen en te standaardiseren en om een ​​zinvolle validatie van de prostaat te garanderen. AI naar klinische vertaling.

De 2022-editie van PI-CAI zal zich richten op het valideren van AI bij geautomatiseerde 3D-detectie en diagnose van csPCa in bpMRI. PI-CAI bestaat voornamelijk uit twee deelonderzoeken:

• AI-onderzoek (Grand Challenge): Een geannoteerde multi-center, multi-vendor dataset van 1500 bpMRI-onderzoeken (inclusief hun klinische en acquisitievariabelen) wordt openbaar gemaakt voor alle deelnemende teams en de onderzoeksgemeenschap in het algemeen. Teams kunnen deze dataset gebruiken om AI-modellen te ontwikkelen en hun getrainde algoritmen (in Docker-containers) ter evaluatie in te dienen. Aan het einde van deze open ontwikkelingsfase worden alle algoritmen gerangschikt op basis van hun prestaties op een verborgen testcohort van 1000 ongeziene scans. In de gesloten testfase trainen de organisatoren de 5 beste AI-algoritmen opnieuw met behulp van een grotere dataset van 7500-9500 bpMRI-scans (inclusief aanvullende trainingsscans uit een privédataset). Ten slotte worden hun prestaties opnieuw geëvalueerd op het verborgen testcohort (met rigoureuze statistische analyses), om de top 3 AI-algoritmen voor geautomatiseerde 3D-detectie en diagnose van csPCa in bpMRI te bepalen (d.w.z. de winnaars van de grote uitdaging).
• Reader-onderzoek: meer dan 50 internationale prostaatradiologen voeren een lezersonderzoek uit met behulp van een subset van 400 scans uit het verborgen testcohort. Voor elk geval vullen radiologen hun beoordelingen in twee rondes in. In eerste instantie alleen met behulp van klinische en acquisitievariabelen plus bpMRI-sequenties, waardoor rechtstreekse vergelijkingen mogelijk zijn met AI die daarop is getraind. En vervolgens, met behulp van klinische en acquisitievariabelen plus volledige mpMRI-sequenties, waardoor vergelijkingen mogelijk zijn tussen AI en de huidige klinische praktijk (PI-RADS v2.1). Over het algemeen is het doel van deze studie om de prestaties van de gemiddelde radioloog bij detectie en diagnose van csPCa in MRI te schatten.

Uiteindelijk wil PI-CAI de state-of-the-art AI-algoritmen die in de grote uitdaging zijn ontwikkeld, vergelijken met prostaatradiologen die deelnemen aan de lezersstudie - om de klinische levensvatbaarheid van moderne prostaat-AI-oplossingen bij csPCa-detectie en -diagnose te evalueren. bij MRI.