Kunstig intelligens og radiologer ved prostatakreftdeteksjon i MR: PI-CAI-utfordringen

Prostatakreft (PCa) er en av de mest utbredte kreftformene hos menn over hele verden. En million menn får en diagnose og 300 000 dør av klinisk signifikant PCa (csPCa) (definert som ISUP≥2), hvert år, over hele verden. Multiparametrisk magnetisk resonansavbildning (mpMRI) spiller en stadig viktigere rolle i tidlig diagnose av prostatakreft, og har blitt anbefalt av European Association of Urology (EAU), før biopsier. Imidlertid er gjeldende retningslinjer for lesing av prostata mpMRI (dvs. PI-RADS v2.1) følger en semikvantitativ vurdering som krever betydelig ekspertise for riktig bruk. Dette kan føre til lav interleser-enighet (<50%), suboptimal tolkning og overdiagnostisering.

Moderne kunstig intelligens (AI) algoritmer har banet vei for kraftige datastøttede deteksjons- og diagnosesystemer (CAD) som konkurrerer med menneskelig ytelse i medisinsk bildeanalyse. Kliniske studier er gullstandarden for å vurdere nye medikamenter og intervensjoner på en kontrollert og komparativ måte, og tilsvarende for å utvikle AI-algoritmer er internasjonale konkurranser eller «grand challenges», hvor stadig større datasett slippes ut til publikum for å løse klinisk relevante oppgaver med AI . Store utfordringer kan adressere mangelen på tillit, vitenskapelig bevis og tilstrekkelig validering blant AI-løsninger, ved å tilby midler til å sammenligne algoritmer mot hverandre ved å bruke vanlige datasett og et enhetlig eksperimentelt oppsett.

PI-CAI (Prostate Imaging: Cancer AI) er en helt ny stor utfordring, med over 10 000 nøye kuraterte prostata MR-undersøkelser for å validere moderne AI-algoritmer og estimere radiologers ytelse ved csPCa-deteksjon og diagnose. Nøkkelaspekter ved studiedesignet er etablert i samarbeid med et internasjonalt, tverrfaglig vitenskapelig rådgivende styre (16 eksperter innen prostata AI, radiologi og urologi) - for å forene og standardisere dagens retningslinjer, og for å sikre meningsfull validering av prostata- AI mot klinisk oversettelse.

2022-utgaven av PI-CAI vil fokusere på å validere AI ved automatisert 3D-deteksjon og diagnose av csPCa i bpMRI. PI-CAI består primært av to delstudier:

• AI-studie (Grand Challenge): Et kommentert multisenter-, multi-leverandør-datasett med 1500 bpMRI-undersøkelser (inkludert deres kliniske og oppkjøpsvariabler) er gjort offentlig tilgjengelig for alle deltakende team og forskningsmiljøet for øvrig. Lag kan bruke dette datasettet til å utvikle AI-modeller, og sende inn sine trente algoritmer (i Docker-beholdere) for evaluering. På slutten av denne åpne utviklingsfasen blir alle algoritmer rangert, basert på deres ytelse på en skjult testkohort på 1000 usynlige skanninger. I den lukkede testfasen, omskoler arrangørene de topprangerte 5 AI-algoritmene ved å bruke et større datasett med 7500-9500 bpMRI-skanninger (inkludert ekstra opplæringsskanninger fra et privat datasett). Til slutt blir ytelsen deres reevaluert på den skjulte testkohorten (med strenge statistiske analyser), for å bestemme de 3 beste AI-algoritmene for automatisert 3D-deteksjon og diagnose av csPCa i bpMRI (dvs. vinnerne av den store utfordringen).
• Leserstudie: 50+ internasjonale prostataradiologer utfører en leserstudie ved å bruke en undergruppe på 400 skanninger fra den skjulte testkohorten. For hvert tilfelle fullfører radiologer sine vurderinger i to runder. Til å begynne med kun bruk av kliniske variabler og akkvisisjonsvariabler pluss bpMRI-sekvenser, noe som muliggjør head-to-head sammenligninger mot AI trent på det samme. Og så, ved å bruke kliniske og oppkjøpsvariabler pluss fulle mpMRI-sekvenser, som muliggjør sammenligninger mellom AI og gjeldende klinisk praksis (PI-RADS v2.1). Samlet sett er målet med denne studien å estimere ytelsen til den gjennomsnittlige radiologen ved påvisning og diagnostisering av csPCa i MR.

Til slutt har PI-CAI som mål å benchmarke state-of-the-art AI-algoritmer utviklet i den store utfordringen, mot prostataradiologer som deltar i leserstudien - for å evaluere den kliniske levedyktigheten til moderne prostata-AI-løsninger ved csPCa-deteksjon og diagnose i MR.