Wykrywanie guzów pęcherza moczowego metodą AI w badaniu endoskopowym

Tło badań Rak pęcherza moczowego jest dziewiątym pod względem częstości występowania nowotworem złośliwym na świecie, a rocznie diagnozuje się go około 430 000 nowych przypadków. Standardowa diagnostyka i monitorowanie raka pęcherza moczowego opiera się na cystoskopii w świetle białym (WLC), przy czym rocznie w Stanach Zjednoczonych i Europie wykonuje się ponad 2 miliony cystoskopii. Ze względu na dużą częstość nawrotów raka pęcherza moczowego konieczne jest częste monitorowanie i interwencja.

Wczesne wykrycie i całkowita resekcja nienaciekającego mięśniowo raka pęcherza moczowego może zmniejszyć ryzyko nawrotu i progresji choroby. Jednak aż 40% pacjentów z chorobą wieloogniskową nie osiąga całkowitej resekcji podczas początkowej przezcewkowej resekcji guza pęcherza moczowego (TURBT). Wiele guzów brodawkowatych i zmian płaskich jest trudnych do zidentyfikowania za pomocą WLC. Istnieje pilne zapotrzebowanie na opłacalne, nieinwazyjne i przyjazne dla użytkownika technologie obrazowania wspomagającego, które umożliwiłyby wyeliminowanie braków diagnostycznych WLC.

Ostatnie postępy w zautomatyzowanym przetwarzaniu obrazów opartym na głębokim uczeniu się mogą dostarczyć nowych rozwiązań ograniczeń cystoskopii. Konwolucyjne sieci neuronowe (CNN) mają zdolność uczenia się złożonych zależności i integrowania istniejącej wiedzy w modele, pokazując potencjalne zastosowania w różnych dziedzinach, w tym w diagnostyce guza pęcherza moczowego. Zastosowaliśmy algorytm HRNet, splotową sieć neuronową, w celu lepszego wykrywania guza pęcherza moczowego.

Proces badawczy 4.1 Kohorta pacjentów Kryteria włączenia: 1. Dostępny jest pełnometrażowy film z zabiegu dotyczący pacjentów, którzy mieli guza pęcherza moczowego i otrzymali WLC lub TURBT.

Kryteria wykluczenia: 1. Film jest zbyt niewyraźny, aby odróżnić normalną ścianę pęcherza od guza pęcherza. 2. Brak wyglądu guza pęcherza moczowego przed resekcją. 3. Brak świadomej zgody.

Informacje o pacjencie zawarte w filmach nie będą wyświetlane. Do opracowania algorytmu zostaną wykorzystane filmy wideo wstępnie zrekrutowanych 200 pacjentów z guzem pęcherza moczowego. Do walidacji algorytmu wykorzystywane są filmy wideo kolejnych 100 pacjentów.

4.2 Wstępne przetwarzanie danych Aby zmniejszyć objętość danych, wyodrębniamy klatkę w stosunku 1:4. Dwóch urologów wyznacza granice guzów pęcherza moczowego w każdej ramce oddzielnie i sprawdza siebie nawzajem. Algorytm AI służy do konturowania tych samych guzów pęcherza moczowego. Porównuje się zarysy guza pęcherza moczowego opisane przez urologów i algorytm, analizuje się wartość IOU, precyzję, czułość i odsetek wyników fałszywie ujemnych.

4.3 Opracowanie algorytmu W tym badaniu zastosowano segmentację semantyczną w celu identyfikacji guzów pęcherza moczowego w WLC. Struktura sieci D-LinkNet wykorzystywała wstępnie wyszkolony ResNet34 w zestawie danych ImageNet jako koder, przy czym środkowa część wykorzystywała rozszerzone sploty o różnych szybkościach dylatacji w sposób kaskadowy, a próbkowanie w górę odbywało się przy użyciu dekonwolucji. Oryginalna rozdzielczość wszystkich obrazów to 1920 × 1080, próbkowanie zmniejszone o 2 do 960 × 540 i dopełnienie zerami w kierunku szerokości, aby uzyskać obraz o rozdzielczości 960 × 544. Obrazy RGB tego rozmiaru zostały znormalizowane, odjęte średnie i podzielone wariancji przed wprowadzeniem do sieci. Obrazy przechodzą pięć procesów kodowania, rozszerzonych splotów i pięć procesów dekodowania, ostatecznie dając wynik przewidywania 960 × 544, który poddano dalszej obróbce końcowej. W badaniach tych ustawienia parametrów były następujące: wielkość partii 8, optymalizator Adama, szybkość uczenia się 0,001. Środowiskiem szkoleniowym był procesor graficzny NVIDIA TITAN Xp.

4.4 Interpretacja wyników Suma przecięcia (IOU) jest kluczowym standardem oceny zdolności rozpoznawania obrazu pojedynczej klatki w rozpoznawaniu obrazu. Gdy IOU przekracza próg, sugeruje to, że model pomyślnie wykrywa obiekt, co wskazuje na prawdziwy wynik pozytywny. Gdy IOU nie może osiągnąć progu, sugeruje to, że model nie wykrywa obiektu i wskazuje na fałszywie ujemny wynik. Jeśli na obrazie pojawia się prognoza bez podstawowej prawdy, uważa się ją za fałszywie pozytywną. Obliczamy czułość i precyzję modelu w zbiorze testowym. Współczynnik Dice'a mierzy podobieństwo między dwiema próbkami. Wyższy średni współczynnik Dice wskazuje na lepszą skuteczność wykrywania modelu.

4.5 Wskaźniki obserwacji

① Adnotacje i klasyfikacja wideo: status adnotacji i wyniki klasyfikacji rozpoznawalności rozpoznawania RLN dla filmów szkoleniowych i chirurgicznych na zestawie testowym; ② Po grupowaniu i trenowaniu należy obserwować czułość modelu, precyzję, współczynnik wyników fałszywie ujemnych, odsetek wyników fałszywie dodatnich oraz średni współczynnik Dice przy progach IoU wynoszących 0,1 i 0,5 w zestawie testowym w różnych grupach rozróżnialności.

4.6 Metody statystyczne Analiza będzie analizowana w R 4.0.2 oprogramowania, dane zostaną wyrażone jako liczby bezwzględne lub wartości procentowe.