AI-detectie van blaastumoren onder endoscopie

Onderzoeksachtergrond Blaaskanker is wereldwijd de negende meest voorkomende kwaadaardige ziekte, met naar schatting jaarlijks 430.000 nieuwe gevallen. De standaarddiagnose en monitoring van blaaskanker zijn afhankelijk van witlichtcystoscopie (WLC), waarbij jaarlijks meer dan 2 miljoen cystoscopieën worden uitgevoerd in de Verenigde Staten en Europa. Vanwege het hoge herhalingspercentage van blaaskanker zijn frequente monitoring en interventie noodzakelijk.

Vroegtijdige detectie en volledige resectie van niet-spierinvasieve blaaskanker kan herhaling en progressie verminderen. Tot 40% van de patiënten met multifocale ziekte bereikt echter geen volledige resectie tijdens de initiële transurethrale resectie van een blaastumor (TURBT). Veel papillaire tumoren en vlakke laesies zijn moeilijk te identificeren via WLC. Er is een dringende behoefte aan kosteneffectieve, niet-invasieve en gebruiksvriendelijke aanvullende beeldvormingstechnologieën om de diagnostische tekortkomingen van WLC aan te pakken.

Recente ontwikkelingen op het gebied van op deep learning gebaseerde geautomatiseerde beeldverwerking kunnen nieuwe oplossingen bieden voor de beperkingen van cystoscopie. Convolutionele neurale netwerken (CNN's) bezitten het vermogen om complexe relaties te leren en bestaande kennis in modellen te integreren, waardoor potentiële toepassingen op verschillende gebieden worden getoond, waaronder de diagnose van blaastumoren. We gebruikten het HRNet-algoritme, een convolutioneel neuraal netwerk, voor verbeterde detectie van blaastumoren.

Onderzoeksproces 4.1 Patiëntencohort Inclusiecriteria: 1. De patiënten die een blaastumor hadden en WLC of TURBT kregen, en de volledige operatievideo is beschikbaar.

Uitsluitingscriteria: 1. De video is te wazig om de normale blaaswand en de blaastumor te onderscheiden. 2. Gebrek aan het verschijnen van een blaastumor vóór resectie. 3. Gebrek aan geïnformeerde toestemming.

Patiëntinformatie in de video's wordt niet getoond. Video's van de in eerste instantie gerekruteerde 200 blaastumorpatiënten zullen worden gebruikt voor de ontwikkeling van algoritmen. Video's van nog eens 100 patiënten worden gebruikt voor algoritmevalidatie.

4.2 Gegevensvoorverwerking Om het gegevensvolume te verminderen, extraheren we het frame in een verhouding van 1:4. Twee urologen schetsen in elk frame afzonderlijk de grens van blaastumoren en controleren elkaar. AI-algoritme wordt gebruikt om dezelfde blaastumoren te contouren. De contouren van de blaastumor, geannoteerd door urologen en algoritmen, worden vergeleken, de IOU-waarde, precisie, gevoeligheid en fout-negatieve frequentie worden geanalyseerd.

4.3 Ontwikkeling van algoritmen Deze studie maakt gebruik van semantische segmentatie om blaastumoren in WLC te identificeren. De D-LinkNet-netwerkstructuur gebruikte een vooraf getraind ResNet34 op de ImageNet-dataset als encoder, waarbij het centrale deel gedilateerde convoluties met verschillende dilatatiesnelheden op een gecascadeerde manier gebruikte, en upsampling werd uitgevoerd met behulp van deconvolutie. De originele resolutie van alle afbeeldingen is 1920×1080, gedownsampled met 2 naar 960×540, en zero-padded in de breedterichting om het beeld te verkrijgen met een resolutie van 960×544. De RGB-afbeeldingen van deze omvang werden genormaliseerd, van het gemiddelde afgetrokken en van de variantie gedeeld voordat ze in het netwerk werden ingevoerd. De beelden ondergaan vijf coderingsprocessen, verwijde convoluties en vijf decoderingsprocessen, wat uiteindelijk een voorspellingsresultaat van 960×544 oplevert, dat verder werd nabewerkt. In dit onderzoek waren de parameterinstellingen als volgt: batchgrootte van 8, Adam optimizer, een leersnelheid van 0,001. De trainingsomgeving was een NVIDIA TITAN Xp GPU.

4.4 Resultateninterpretatie De intersection over union (IOU) is een cruciale standaard voor het evalueren van de capaciteit voor beeldherkenning met één frame. Wanneer IOU boven de drempelwaarde ligt, suggereert dit dat het model het object met succes detecteert, wat wijst op een echt positief resultaat. Wanneer IOU de drempel niet kan bereiken, suggereert dit dat het model er niet in slaagt het object te detecteren, wat wijst op een vals-negatief. Als een voorspelling verschijnt zonder grondwaarheid in de afbeelding, wordt deze als vals positief beschouwd. In de testset berekenen we de gevoeligheid en precisie van het model. De Dice-coëfficiënt meet de gelijkenis tussen twee monsters. Een hogere gemiddelde Dice-coëfficiënt duidt op een betere detectieprestatie van het model.

4.5 Observatie-indicatoren

① Videoannotatie en classificatie: annotatiestatus en RLN-herkenningsclassificatieresultaten voor trainings- en testsetchirurgievideo's; ② Observeer na groepering en training de gevoeligheid, precisie, fout-negatieve frequentie, fout-positieve frequentie en gemiddelde Dice-coëfficiënt van het model bij IoU-drempels van 0,1 en 0,5 in de testset onder verschillende onderscheidbaarheidsgroepen.

4.6 Statistische methoden Analyse zal worden geanalyseerd door R 4.0.2 software, worden de gegevens uitgedrukt als absolute getallen of percentages.