Studium wykonalności rozwoju MoleGazer

Tło

Zapadalność na czerniaka gwałtownie wzrasta – w 2015 roku w Wielkiej Brytanii odnotowano 15 906 nowych przypadków, w wyniku których zmarło 2285 osób. Wczesne rozpoznanie czerniaka jest niezbędne, ponieważ choroba we wczesnym stadium ma > 95% 5-letnich względnych przeżyć w porównaniu z 8-25% w przypadku zaawansowanego czerniaka. Przewiduje się, że w Wielkiej Brytanii koszty raka skóry przekroczą 180 milionów funtów do 2020 roku i spowodują znaczną zachorowalność (i śmiertelność) osób dotkniętych chorobą. Do 60% czerniaków wynika z wcześniej istniejących znamion (kretów). Wczesne wykrywanie czerniaka opiera się na rozpoznaniu przez osoby zmian w znamionach, a w przypadku osób z licznymi znamionami – ocenie ekspertów tych znamion przez przeszkolonych dermatologów przy użyciu pomocy diagnostycznych, takich jak dermoskopia (powiększenie x10). Ponadto istnieją dowody na to, że sekwencyjna obserwacja znamion zwiększa również wskaźniki wykrywania czerniaka.

Fotografia całego ciała (TBP) jest pomocą diagnostyczną w monitorowaniu wielu znamion

W przypadku pacjentów z grupy wysokiego ryzyka rozwoju czerniaka ze znamionami mnogimi (>60) jako pomoc w śledzeniu, porównywaniu i monitorowaniu znamion w czasie czasu i wykazano, że poprawia diagnostykę czerniaka. Zalecane krótkoterminowe obserwacyjne monitorowanie znamion trwa 3 miesiące, ale w dużej mierze ogranicza się do pojedynczych zmian. W ograniczonej zasobach Narodowej Służbie Zdrowia (NHS) częsta obserwacja dermatologa pod kątem wielu znamion jest niepraktyczna i nieefektywna, tak że wczesna diagnoza czerniaka skutecznie opiera się na samoobserwacji pacjenta. Potencjalnym rozwiązaniem jest zautomatyzowana analiza obrazów TBP z wykorzystaniem sztucznej inteligencji (AI) do śledzenia i monitorowania naevi w czasie.

Sztuczna inteligencja zastosowana w TBP może poprawić wydajność „mapowania kretów”

Wcześniejsza ocena AI zmian skórnych wykazała dokładność równą dokładności wyszkolonych dermatologów w diagnostyce raka skóry, jednak opierała się ona na analizie pojedynczej zmiany w statycznych punktach czasowych (z diagnozami potwierdzonymi biopsją). Wykorzystanie zmian zaplanowanych do wycięcia (tj. z dużym klinicznym podejrzeniem czerniaka) poważnie ogranicza przydatność kliniczną, a przegląd Cochrane wykazał, że przydatność komputerowego wykrywania czerniaka w diagnostyce wtórnej pozostaje nieznana. Klinicznie bardziej istotne jest pytanie, czy zautomatyzowane wykrywanie zmian w znamionach za pomocą sekwencyjnych obrazów TBP, określanych klinicznie jako „mapowanie pieprzyków”, może rzeczywiście poprawić wczesną diagnostykę czerniaka.

Do tej pory systemy TBP w NHS miały ograniczoną automatyzację, ograniczoną do przechowywania i pobierania obrazów. Chociaż istnieje jeden zautomatyzowany system skanowania całego ciała, który w przyszłości może obejmować diagnostykę opartą na sztucznej inteligencji oprócz obecnych algorytmów akwizycji obrazu i dopasowywania zmian chorobowych, pełna walidacja kliniczna i wszelkie późniejsze wdrożenie w NHS będą kosztowne ze względu na inwestycje wymagane w system skanowania (obecny koszt 1 mln USD). Nie wiadomo, czy takie same lub lepsze wyniki można osiągnąć przy użyciu bardziej konwencjonalnego sprzętu do pozyskiwania obrazów i zaawansowanych technik sztucznej inteligencji. Badacze proponują nowatorskie zastosowanie astronomicznych metod sztucznej inteligencji do wczesnego wykrywania czerniaka przy użyciu standardowego nadzoru znamion na podstawie TBP, który jest obecnie stosowany w NHS i może być stosowany jako dodatek do oceny klinicznej poszczególnych osób.

Zastosowanie astronomicznych technik sztucznej inteligencji do monitorowania TBP wielu znamion

Przejściowa nauka w astronomii ma na celu wykrywanie i śledzenie ewolucji nowych źródeł astronomicznych, takich jak eksplodujące gwiazdy. Pokazując zarówno długo-, jak i krótkoterminową ewolucję, poszczególne zdarzenia są wykrywane przez porównywanie nowych obrazów z danymi archiwalnymi i klasyfikowane na podstawie zestawu cech, w tym przejściowej jasności, koloru, ruchu właściwego i zasięgu. Najnowocześniejsze przeglądy astronomiczne monitorują niebo każdej nocy w wieloletnich skalach czasowych, aby zidentyfikować subtelne zmiany. Techniki sztucznej inteligencji (takie jak losowe lasy i rekurencyjne sieci neuronowe; RNN), które wykorzystują pełną historię szeregów czasowych i informacje kontekstowe, są rutynowo wykorzystywane do identyfikowania i klasyfikowania zdarzeń probabilistycznie. Z każdą nową obserwacją dostarczającą dodatkowych informacji, astronomiczne przeglądy przejściowe mogą rutynowo wykrywać i charakteryzować nowe źródła, tak że ewolucję nowych źródeł można przewidzieć z 99,5% dokładnością na podstawie tylko trzech punktów czasowych.

To wyzwanie stojące przed astronomią jest analogiczne do „mapowania kretów” dla osób z wysokim ryzykiem zachorowania na czerniaka; zarówno naevi, jak i źródła astronomiczne można scharakteryzować jako odrębne źródła na jednorodnym tle, które są śledzone na wielu obrazach w celu wykrycia zmian. W związku z tym badacze stawiają hipotezę, że astronomiczne techniki sztucznej inteligencji idealnie nadają się do rozwiązania tego problemu klinicznego i opracowują projekt MoleGazer, aby to przetestować.

Racjonalne uzasadnienie

Aby opracować algorytm MoleGazer, badacze potrzebują podstawowego zestawu danych, aby zastosować astronomiczne algorytmy sztucznej inteligencji do obrazów TBP w celu wykrywania i śledzenia naevi na sekwencyjnych obrazach. Obecnie nie ma publicznie dostępnych baz danych obrazów TBP, w których badacze mogliby przetestować tę wykonalność, dlatego w tym badaniu celem jest zebranie:

1. kohorta serii czasowych obrazów TBP wykonanych w ustalonych sekwencyjnych punktach czasowych w ciągu 2 lat
2. wyjściowa kohorta obrazów TBP z sekwencyjnymi zdjęciami wykonanymi w dowolnych punktach czasowych Gromadzenie obrazów TBP umożliwi badaczom zbadanie czułości wykrywania znamion i charakterystyki odcienia skóry, poziomów oświetlenia, rejestracji obrazu i technik odejmowania tła, umożliwiając badaczom aby również zautomatyzować wykrywanie naevi i śledzić ich ewolucję na dowolnym obrazie sekwencyjnym, który posiada zespół badawczy. Rozwój tej bazy danych pozwoli badaczom wykazać wykonalność zastosowania astronomicznych metod sztucznej inteligencji do obrazów TBP.