Identificação do câncer de ovário na TC usando aprendizado profundo

O câncer de ovário é a malignidade ginecológica mais mortal, com 20.890 novos casos e 12.730 mortes esperadas nos EUA em 2025. Apesar de considerar apenas 2,1% das mulheres cânceres, isso causa 4,3% das mortes relacionadas ao câncer. O risco ao longo da vida de desenvolver câncer de ovário é 1 em 78, com um risco de mortalidade de 1 em 108. O tratamento ideal envolve ressecção cirúrgica completa seguida de quimioterapia; No entanto, as taxas de sobrevivência permaneceram praticamente inalteradas nas últimas duas décadas. A detecção precoce melhora significativamente a sobrevida, mas apenas 31% dos casos são diagnosticados em um estágio inicial devido à natureza assintomática da doença. Não existe teste de triagem universal e métodos atuais, incluindo CA-125 e ultrassom transvaginal, têm limitações na redução da mortalidade.

A tomografia computadorizada (TC) é comumente usada para a detecção de câncer de ovário, mas sua eficácia é limitada por sintomas inespecíficos. A triagem de TC orientada por IA ganhou interesse, com o aprendizado profundo mostrando promessa na detecção de câncer. No entanto, permanecem desafios para garantir a generalização do modelo e otimizar os parâmetros técnicos. A triagem eficaz deve minimizar cirurgias desnecessárias, pois os ensaios anteriores relataram altas taxas falsas positivas e complicações cirúrgicas. Para abordar isso, o estudo desenvolveu o CAT-OV, uma ferramenta baseada em IA para detecção de câncer de ovário usando imagens de TC. O sistema integra um modelo de regressão da parte do corpo (BPR) para localização pélvica e um classificador de ensaios de aprendizado de múltiplas instâncias (MIL) com cinco redes neurais convolucionais (CNNs) para prever a presença do câncer. O CAT-Ov foi avaliado em três conjuntos de testes: um conjunto de dados interno, um conjunto de dados internacional dos EUA e um conjunto de dados multi-institucional em todo o país da Taiwan.

Este estudo retrospectivo foi aprovado pelo Conselho de Revisão Institucional e o consentimento informado foi dispensado. O conjunto de dados foi construído a partir de tomografia computadorizada de pacientes com idade ≥20 que foram submetidos a cirurgia ovariana entre 2010 e 2020 no Hospital Memorial Chang Gung. Os casos malignos incluíram vários subtipos histopatológicos, enquanto os controles consistiam em tumores ovarianos benignos e um conjunto de dados enriquecido de indivíduos livres de câncer. O conjunto de dados final compreendeu 5.680 casos, dividido em um conjunto de treinamento/validação (n = 4.554) e um conjunto de testes internos (n = 1.126), incluindo 173 casos de câncer e 953 de controle. O conjunto de dados internacional incluiu 40 casos de controle e 47 de controle do Brigham and Women's Hospital. O conjunto de dados nacional consistia em 447 casos de câncer de ovário e 1.131 controles do banco de dados nacional de seguro de saúde de Taiwan.

O modelo BPR, modificado no Resnet50, regiões pélvicas localizadas nas tomografias por tomografia computadorizada por meio de aprendizado não supervisionado. O treinamento envolveu o pré-processamento, aumento e seleção de subvolumes baseados em regressão. O modelo de classificação MIL tratou cada subvolume 3D como uma "bolsa" de fatias 2D, usando eficientesNETV2-S como espinha dorsal e um módulo de agregação baseado em atenção para previsão final. O treinamento envolveu pré-processamento, aumento e uma estratégia de validação cruzada de cinco vezes. O modelo final do conjunto determinou a classificação com base em logits médios e limiares otimizados. A visualização foi realizada usando a técnica de gargalo por amostra para melhorar a interpretabilidade.

A histopatologia cirúrgica serviu como padrão de referência, revisado por um patologista experiente usando a classificação de 2020 OMS. A análise imuno -histoquímica foi realizada para distinguir o câncer de ovário primário das metástases. Os tumores foram encenados de acordo com o sistema da 8ª edição. Este estudo tem como objetivo melhorar a detecção de câncer de ovário e a eficácia da triagem por meio da análise de TC orientada por IA.