Dokładność algorytmu głębokiego uczenia się do wykrywania i stratyfikacji ryzyka guzków płucnych

Kostniakomięsak jest uważany za najczęstszy nowotwór złośliwy kości u dzieci i młodzieży. Około 15% do 20% pacjentów z kostniakomięsakiem ma wykrywalne przerzuty, a większość z nich (85%) ma zmiany w płucach jako jedyne miejsce przerzutów. Wcześniejsze badania wykazały, że całkowity wskaźnik przeżycia wśród pacjentów z zlokalizowanym kostniakomięsakiem bez przerzutów wynosi około 60% do 70%, podczas gdy wskaźnik przeżycia zmniejsza się do 10% do 30% u pacjentów z chorobą przerzutową. Chociaż ostatnio schematy chemioterapii neoadiuwantowej i adjuwantowej mogą zmniejszyć śmiertelność, od 30% do 50% pacjentów nadal umiera z powodu przerzutów do płuc. Liczba, rozmieszczenie i czas pojawienia się przerzutów w płucach mają wartość prognostyczną dla przeżycia, dlatego obrazowanie klatki piersiowej za pomocą tomografii komputerowej (CT) nadal odgrywa istotną rolę w monitorowaniu choroby. W ostatniej dekadzie technologia wielorzędowego tomografu komputerowego poprawiła wykrywalność wielu mniejszych zmian w płucach, co z jednej strony może zwiększyć czułość diagnostyczną w wykrywaniu przerzutów do płuc, jednak swoistość może być zmniejszona. W ostatnich latach algorytm sztucznej inteligencji (AI) wykorzystujący głębokie uczenie się w szerokiej gamie badań obrazowych jest gorącym tematem. Obecnie na rynek szybko rozwija się i wprowadza na rynek coraz więcej systemów do diagnostyki komputerowej (CAD) opartych na technologiach głębokiego uczenia, mających na celu szybsze badanie przesiewowe i prawidłową interpretację guzków płucnych. Dotychczasowe badania koncentrujące się na poprawie dokładności klasyfikacji guzków łagodnych/złośliwych poczyniły znaczne postępy, inspirowane ogromnym postępem technik głębokiego uczenia. W rezultacie większość istniejących systemów CAD może przeprowadzać klasyfikację guzków płucnych z dokładnością powyżej 90%. W praktyce klinicznej nie tylko określenie złośliwości guzka płucnego, ale także rozróżnienie między rakiem pierwotnym a przerzutami do płuc ma kluczowe znaczenie dla postępowania z pacjentem. Jednak większość istniejącej klasyfikacji guzków płucnych stosowanej w systemie CAD pozostaje binarna (łagodna Vs złośliwa), wobec braku dokładniejszej klasyfikacji guzków charakteryzującej się rozszczepieniem guzka pierwotnego i przerzutowego. Według naszej najlepszej wiedzy, do tej pory tylko kilka badań skupiało się na wydajności systemu CAD opartego na głębokim uczeniu się do identyfikacji przerzutowego guzka płucnego. W tym proponowanym badaniu badacze starali się określić dokładność i czułość jednego wspomaganego komputerowo systemu opartego na algorytmie sztucznej inteligencji głębokiego uczenia się do wykrywania i stratyfikacji ryzyka guzków płucnych u pacjentów z mięsakiem kościopochodnym.