Detecção de tumores de bexiga por IA sob endoscopia

Contexto da pesquisa O câncer de bexiga é a nona doença maligna mais comum em todo o mundo, com cerca de 430.000 novos casos diagnosticados anualmente. O diagnóstico e monitoramento padrão do câncer de bexiga baseiam-se na cistoscopia de luz branca (WLC), com mais de 2 milhões de cistoscopias realizadas anualmente nos Estados Unidos e na Europa. Devido à elevada taxa de recorrência do cancro da bexiga, são necessárias monitorização e intervenção frequentes.

A detecção precoce e a ressecção completa do câncer de bexiga não invasivo aos músculos podem reduzir a recorrência e a progressão. No entanto, até 40% dos pacientes com doença multifocal não conseguem a ressecção completa durante a ressecção transuretral inicial do tumor de bexiga (RTU). Muitos tumores papilares e lesões planas são difíceis de identificar através da WLC. Há uma necessidade urgente de tecnologias de imagem adjuvantes econômicas, não invasivas e fáceis de usar para resolver as deficiências diagnósticas da WLC.

Avanços recentes no processamento automatizado de imagens baseado em aprendizagem profunda podem fornecer novas soluções para as limitações da cistoscopia. As redes neurais convolucionais (CNNs) possuem a capacidade de aprender relações complexas e integrar o conhecimento existente em modelos, mostrando aplicações potenciais em vários campos, incluindo o diagnóstico de tumores de bexiga. Empregamos o algoritmo HRNet, uma rede neural convolucional, para detecção aprimorada de tumores de bexiga.

Processo de Pesquisa 4.1 Critérios de inclusão da coorte de pacientes: 1. Os pacientes que tiveram tumor de bexiga e receberam WLC ou TURBT, e o vídeo completo da cirurgia estão disponíveis.

Critérios de exclusão: 1. O vídeo está muito desfocado para distinguir a parede normal da bexiga e o tumor da bexiga. 2. Ausência de aparecimento de tumor de bexiga antes da ressecção. 3. Falta de consentimento informado.

As informações do paciente nos vídeos não serão mostradas. Vídeos dos 200 pacientes com tumor de bexiga inicialmente recrutados serão usados ​​para desenvolvimento de algoritmos. Vídeos de mais 100 pacientes são usados ​​para validação do algoritmo.

4.2 Pré-processamento de dados Para reduzir o volume de dados, extraímos o quadro na proporção de 1:4. Dois urologistas delineiam os limites dos tumores da bexiga em cada quadro separadamente e verificam um ao outro. O algoritmo AI é usado para contornar os mesmos tumores de bexiga. Os contornos do tumor de bexiga anotados por urologistas e algoritmo são comparados, o valor IOU, a precisão, a sensibilidade e a taxa de falsos negativos são analisados.

4.3 Desenvolvimento de algoritmo Este estudo utiliza segmentação semântica para identificar tumores de bexiga em WLC. A estrutura da rede D-LinkNet usou um ResNet34 pré-treinado no conjunto de dados ImageNet como seu codificador, com a parte central utilizando convoluções dilatadas com diferentes taxas de dilatação em cascata e upsampling realizado usando deconvolução. A resolução original de todas as imagens é 1920×1080, reduzida em 2 para 960×540 e preenchida com zeros na direção da largura para obter a imagem com uma resolução de 960×544. As imagens RGB desse tamanho foram normalizadas, subtraídas pela média e divididas pela variância antes de serem inseridas na rede. As imagens passam por cinco processos de codificação, convoluções dilatadas e cinco processos de decodificação, produzindo em última instância um resultado de previsão de 960×544, que foi posteriormente pós-processado. Nesta pesquisa, as configurações dos parâmetros foram as seguintes: tamanho de lote de 8, otimizador Adam, taxa de aprendizado de 0,001. O ambiente de treinamento foi uma GPU NVIDIA TITAN Xp.

4.4 Interpretação dos Resultados A interseção sobre união (IOU) é um padrão crucial para avaliar a capacidade de reconhecimento de imagem de quadro único no reconhecimento de imagens. Quando o IOU está acima do limite, sugere que o modelo detectou o objeto com sucesso, indicando um verdadeiro positivo. Quando o IOU não consegue atingir o limite, isso sugere que o modelo não consegue detectar o objeto e indica um falso negativo. Se uma previsão aparecer sem veracidade na imagem, ela será considerada um falso positivo. Calculamos a sensibilidade e precisão do modelo no conjunto de teste. O coeficiente Dice mede a similaridade entre duas amostras. Um coeficiente Dice médio mais alto indica um melhor desempenho de detecção do modelo.

4.5 Indicadores de Observação

① Anotação e classificação de vídeo: status de anotação e resultados de classificação de discernibilidade de reconhecimento RLN para vídeos de cirurgia de treinamento e conjunto de teste; ② Após agrupamento e treinamento, observe a sensibilidade, precisão, taxa de falsos negativos, taxa de falsos positivos e coeficiente de dados médio do modelo nos limites de IoU de 0,1 e 0,5 no conjunto de teste em diferentes grupos de discernibilidade.

4.6 Métodos Estatísticos A análise será analisada pelo R 4.0.2 software, os dados serão expressos como números absolutos ou porcentagens.