Identyfikacja raka jajnika na CT za pomocą głębokiego uczenia się

Rak jajnika jest najbardziej śmiercionośnym nowotworami ginekologicznym, z 20 890 nowymi przypadkami i 12 730 zgonów oczekiwanych w USA w 2025 r. Pomimo jedynie 2,1% nowotworów kobiet, powoduje to 4,3% zgonów związanych z rakiem. Ryzyko rozwoju raka jajnika wynosi 1 na całe życie, wynosi 1 na 78, a ryzyko śmiertelności wynosi 1 na 108. Optymalne leczenie obejmuje całkowitą resekcję chirurgiczną, a następnie chemioterapię; Jednak wskaźniki przeżycia pozostały w dużej mierze niezmienione w ciągu ostatnich dwóch dekad. Wczesne wykrywanie znacznie poprawia przeżycie, ale tylko 31% przypadków jest diagnozowanych na wczesnym etapie z powodu bezobjawowego charakteru choroby. Nie ma uniwersalnego testu badań przesiewowych, a obecne metody, w tym CA-125 i ultradźwięki transpochwowe, mają ograniczenia w zmniejszaniu śmiertelności.

Tomografia komputerowa (CT) jest powszechnie stosowana do wykrywania raka jajnika, ale jej skuteczność jest ograniczona przez niespecyficzne objawy. Przeglądanie CT oparte na AI-AI zyskało zainteresowanie, a głębokie uczenie się okazało obietnice wykrywania raka. Pozostają jednak wyzwania w zapewnieniu uogólnienia modelu i optymalizacji parametrów technicznych. Skuteczne badania przesiewowe muszą zminimalizować niepotrzebne operacje, ponieważ poprzednie badania wykazały wysokie wskaźniki fałszywie dodatnich i powikłania chirurgiczne. Aby rozwiązać ten problem, badanie opracowało CAT-OV, narzędzie oparte na AI do wykrywania raka jajnika za pomocą obrazowania CT. System integruje model regresji części ciała (BPR) do lokalizacji miednicy i klasyfikator zespołu uczenia się wielu instancji (MIL) z pięcioma splotowymi sieciami neuronowymi (CNN) w celu przewidywania obecności raka. CAT-OV oceniono na trzech zestawach testowych: wewnętrzny zestaw danych, międzynarodowy zestaw danych z USA i ogólnokrajowy multiinstytucjonalny zestaw danych z Tajwanu.

To retrospektywne badanie zostało zatwierdzone przez instytucjonalną komisję rewizyjną i uchylono świadomą zgodę. Zestaw danych skonstruowano na podstawie skanów CT pacjentów w wieku ≥20, którzy przeszli operację jajnika w latach 2010–2020 w Chang Gung Memorial Hospital. Złośliwe przypadki obejmowały różne podtypy histopatologiczne, podczas gdy kontrole składały się z łagodnych guzów jajników i wzbogaconego zestawu danych bez raka. Ostateczny zestaw danych obejmował 5680 przypadków, podzielony na zestaw szkoleniowy/sprawdzania poprawności (n = 4554) i wewnętrzny zestaw testowy (n = 1126), w tym 173 raka i 953 przypadki kontrolne. Międzynarodowy zestaw danych obejmował 40 przypadków raka i 47 przypadków kontrolnych z Brigham i Women's Hospital. Ogólnokrajowy zestaw danych składał się z 447 przypadków raka jajnika i 1131 kontroli z krajowej bazy danych ubezpieczenia zdrowotnego tajwańskiego.

Model BPR, zmodyfikowany z RESNET50, zlokalizował regiony miednicy na skanach CT poprzez uczenie się bez nadzoru. Szkolenie obejmowało wstępne przetwarzanie, powiększanie i wybór podwole oparty na regresji. Model klasyfikacji MIL traktował każdy podwpos 3D jako „torbę” plasterków 2D, wykorzystując EfficentNetV2-S jako kręgosłup i moduł agregacji oparty na uwagi do ostatecznej prognozy. Szkolenie obejmowało wstępne przetwarzanie, powiększenie i pięciokrotną strategię walidacji krzyżowej. Model ostatniego zespołu określił klasyfikację na podstawie uśrednionych logitów i zoptymalizowanych progów. Wizualizację przeprowadzono przy użyciu techniki wąskiego gardła w próbce w celu zwiększenia interpretacji.

Chirurgiczna histopatologia służyła jako standard referencyjny, recenzowany przez doświadczonego patologa wykorzystującego klasyfikację WHO 2020. Analizę immunohistochemiczną przeprowadzono w celu odróżnienia pierwotnego raka jajnika od przerzutów. Guzy zostały zainscenizowane zgodnie z 8. edycją systemu FIGO. To badanie ma na celu poprawę wykrywania raka jajnika i skuteczności badań przesiewowych poprzez analizę CT opartą na AI.