Nøyaktighet av dyplæringsalgoritme for deteksjon og risikostratifisering av lungeknuter

Osteosarkom regnes som den vanligste ondartede beinsvulsten hos barn og ungdom. Omtrent 15 % til 20 % av pasientene med osteosarkom har påvisbar metastatisk sykdom, og de fleste (85 %) har lungelesjoner som det eneste stedet for metastase. Tidligere studier har vist at den totale overlevelsesraten blant pasienter med lokalisert osteosarkom uten metastatisk sykdom er omtrent 60 % til 70 %, mens overlevelsesraten reduseres til 10 % til 30 % hos pasienter med metastatisk sykdom. Selv om neoadjuvante og adjuvante kjemoterapeutiske regimer i det siste kan redusere dødeligheten, dør 30 % til 50 % av pasientene fortsatt av lungemetastaser. Antall, distribusjon og tidspunkt for lungemetastaser er av prognostisk verdi for overlevelse, og derfor spiller computertomografi (CT) thorax-avbildning fortsatt en viktig rolle i sykdomsovervåking. I det siste tiåret har teknologien til multidetektor CT-skanner forbedret deteksjonen av en rekke mindre lungelesjoner, som på den ene siden kan øke den diagnostiske sensitiviteten for lungemetastaser, men spesifisiteten kan være redusert. De siste årene har dyplæringsalgoritmer for kunstig intelligens (AI) i en lang rekke bildeundersøkelser vært et hett tema. For tiden har et økende antall Computer-Aided Diagnosis (CAD)-systemer basert på dyplæringsteknologier som tar sikte på raskere screening og korrekt tolkning av lungeknuter blitt raskt utviklet og introdusert på markedet. Så langt har undersøkelsene som har konsentrert seg om å forbedre nøyaktigheten av klassifisering av benigne/maligne knuter gjort betydelige fremskritt, inspirert av enorm fremgang innen dyplæringsteknikker. Følgelig kan flertallet av de eksisterende CAD-systemene utføre pulmonal nodule-klassifisering med en nøyaktighet på 90 % over. I klinisk praksis er ikke bare malignitetsbestemmelsen for pulmonal nodule, men også skillet mellom primært karsinom og intrapulmonal metastase avgjørende for pasientbehandling. Imidlertid forblir de fleste eksisterende klassifiseringer av lungeknuter brukt i CAD-systemet binært mønster (godartet versus ondartet), i mangel på mer grundig nodulklassifisering karakterisert med splittelse av primær og metastatisk knute. Så vidt vi vet, har bare noen få studier fokusert på ytelsen til dypt læringsbasert CAD-system for identifisering av metastatisk lungeknute til nå. I denne foreslåtte studien søkte etterforskerne å bestemme nøyaktigheten og følsomheten til ett datastøttet system basert på dyp-lærende kunstig intelligens-algoritme for deteksjon og risikostratifisering av lungeknuter hos osteogene sarkompasienter.