AI-обнаружение опухолей мочевого пузыря при эндоскопии

Обоснование исследования Рак мочевого пузыря является девятым наиболее распространенным злокачественным заболеванием в мире: ежегодно диагностируется около 430 000 новых случаев. Стандартная диагностика и мониторинг рака мочевого пузыря основываются на цистоскопии в белом свете (WLC): ежегодно в США и Европе выполняется более 2 миллионов цистоскопий. Из-за высокой частоты рецидивов рака мочевого пузыря необходимы частый мониторинг и вмешательство.

Раннее выявление и полная резекция немышечно-инвазивного рака мочевого пузыря могут уменьшить рецидив и прогрессирование. Однако до 40% пациентов с мультифокальным заболеванием не достигают полной резекции во время первичной трансуретральной резекции опухоли мочевого пузыря (ТУР). Многие папиллярные опухоли и плоские поражения трудно идентифицировать с помощью WLC. Существует острая необходимость в экономически эффективных, неинвазивных и удобных в использовании дополнительных технологиях визуализации для устранения диагностических недостатков WLC.

Последние достижения в области автоматизированной обработки изображений на основе глубокого обучения могут предоставить новые решения для ограничений цистоскопии. Сверточные нейронные сети (CNN) обладают способностью изучать сложные взаимосвязи и интегрировать существующие знания в модели, демонстрируя потенциальные применения в различных областях, включая диагностику опухолей мочевого пузыря. Мы использовали алгоритм HRNet, сверточную нейронную сеть, для более точного обнаружения опухолей мочевого пузыря.

Процесс исследования 4.1 Критерии включения когорты пациентов: 1. Пациенты, у которых была опухоль мочевого пузыря и которые получили WLC или TURBT, доступны полнометражные видео операции.

Критерии исключения: 1. Видео слишком размыто, чтобы отличить нормальную стенку мочевого пузыря от опухоли мочевого пузыря. 2. Отсутствие внешнего вида опухоли мочевого пузыря до резекции. 3. Отсутствие информированного согласия.

Информация о пациенте в видеороликах не будет отображаться. Видео первоначально набранных 200 пациентов с опухолью мочевого пузыря будут использованы для разработки алгоритма. Видео еще 100 пациентов используются для проверки алгоритма.

4.2 Предварительная обработка данных. Чтобы уменьшить объем данных, мы извлекаем кадр в соотношении 1:4. Два уролога очерчивают границы опухолей мочевого пузыря на каждом кадре отдельно и проверяют друг друга. Алгоритм искусственного интеллекта используется для контурирования тех же опухолей мочевого пузыря. Сравниваются контуры опухоли мочевого пузыря, аннотированные урологами, и алгоритм, анализируется величина IOU, точность, чувствительность и частота ложноотрицательных результатов.

4.3 Разработка алгоритма В этом исследовании используется семантическая сегментация для выявления опухолей мочевого пузыря у WLC. Сетевая структура D-LinkNet использовала предварительно обученный ResNet34 в наборе данных ImageNet в качестве кодера, при этом центральная часть использовала расширенные свертки с различными скоростями расширения в каскадном порядке, а повышающая дискретизация выполнялась с использованием деконволюции. Исходное разрешение всех изображений составляет 1920×1080, разрешение уменьшено на 2 до 960×540 и дополнено нулями по ширине, чтобы получить изображение с разрешением 960×544. RGB-изображения такого размера были нормализованы, вычтены из среднего и разделены на дисперсию перед вводом в сеть. Изображения подвергаются пяти процессам кодирования, расширенной свертке и пяти процессам декодирования, в результате чего получается результат прогнозирования 960×544, который подвергается дальнейшей постобработке. В этом исследовании настройки параметров были следующими: размер пакета 8, оптимизатор Адама, скорость обучения 0,001. В качестве обучающей среды использовался графический процессор NVIDIA TITAN Xp.

4.4 Интерпретация результатов Пересечение через объединение (IOU) является важнейшим стандартом для оценки возможности распознавания однокадровых изображений при распознавании изображений. Когда IOU превышает пороговое значение, это предполагает, что модель успешно обнаруживает объект, что указывает на истинное положительное значение. Когда IOU не может достичь порога, это говорит о том, что модели не удалось обнаружить объект, и указывает на ложноотрицательный результат. Если прогноз появляется на изображении без истинной истины, он считается ложным срабатыванием. Мы рассчитываем чувствительность и точность модели на тестовом наборе. Коэффициент Дайса измеряет сходство между двумя выборками. Более высокий средний коэффициент Дайса указывает на лучшую производительность обнаружения модели.

4.5 Показатели наблюдения

① Видеоаннотации и классификация: статус аннотаций и результаты классификации различимости распознавания RLN для обучающих и тестовых видео хирургических операций; ② После группировки и обучения наблюдайте за чувствительностью, точностью, уровнем ложноотрицательных результатов, уровнем ложноположительных результатов и средним коэффициентом Дайса при пороговых значениях IoU 0,1 и 0,5 в тестовом наборе в различных группах различимости.

4.6 Статистические методы Анализ будет анализироваться с помощью R 4.0.2. программное обеспечение, данные будут выражены в абсолютных числах или процентах.