Tomografia komputerowa bez kontrastu wspomagana sztuczną inteligencją do badań przesiewowych w kierunku wielu nowotworów

Rak stał się głównym problemem zdrowia publicznego w Chinach, poważnie wpływając na zdrowie populacji, gospodarkę i rozwój społeczny. Szacuje się, że w 2022 r. odnotowano 4,82 mln nowych przypadków raka i 2,57 mln zgonów z powodu nowotworu. Rak płuc, rak wątroby, rak żołądka, rak jelita grubego, rak przełyku, rak trzustki i rak piersi to siedem głównych przyczyn umieralności z powodu nowotworów. Skuteczna strategia wcześniejszego wykrywania umożliwiłaby pacjentom otrzymanie interwencji w odpowiednim czasie, poprawę wyników leczenia, wydłużenie całkowitego przeżycia oraz zmniejszenie złożoności i kosztów leczenia.

W tym badaniu przeprowadzimy zakrojone na szeroką skalę, prospektywne, wieloośrodkowe badanie kohortowe, którego celem będzie ocena przydatności tomografii komputerowej bez kontrastu wspomaganej sztuczną inteligencją w badaniach przesiewowych w kierunku wielu nowotworów. Populacja składa się z osób, które przeszły tomografię komputerową jamy brzusznej lub klatki piersiowej bez kontrastu w Meinian Onehealth Health Examination Centre lub Shanghai Changhai Health Examination Center, a przewidywana liczba uczestników to 1 milion. Model badań przesiewowych pod kątem wielu nowotworów za pomocą tomografii komputerowej bez kontrastu, opracowany przez Akademię Alibaba DAMO, zostanie zintegrowany z systemem ośrodków badań zdrowia PACS. Model obrazowania AI będzie wykorzystywany do automatycznego wykrywania różnych zmian nowotworowych, w tym raka płuc, raka wątroby, raka żołądka, raka jelita grubego, raka przełyku, raka trzustki i raka piersi. Pacjenci, u których w modelu AI zostaną zidentyfikowane zmiany pozytywne, będą musieli zostać skierowani do szpitala Changhai w Szanghaju na dalsze badania obrazowe (takie jak tomografia komputerowa, rezonans magnetyczny, endoskopia itp.) w celu potwierdzenia ostatecznego stanu chorobowego i ustalenia planu leczenia. Dodatkowo zespół medyczny powinien kierować się ścieżkami opieki opracowanymi w oparciu o wytyczne NCCN i ACR, a w razie potrzeby pacjenci będą kierowani do poradni zespołu wielodyscyplinarnego (MDT) w celu ustalenia postępowania diagnostycznego. Ostatecznym celem tego badania jest kompleksowa ocena wskaźników wydajności diagnostycznej modelu AI dla każdego z siedmiu typów nowotworów indywidualnie. Metryki te obejmują między innymi czułość, swoistość i dodatnią/ujemną wartość predykcyjną. Szczególny nacisk zostanie położony na ocenę skuteczności modelu w wykrywaniu resekcyjnych guzów we wczesnym stadium. Nadrzędnym celem jest ustalenie, czy wdrożenie tego podejścia do badań przesiewowych wspomaganego sztuczną inteligencją może potencjalnie prowadzić do poprawy wskaźników całkowitego przeżycia dzięki wcześniejszemu wykryciu i interwencji.