Идентификация рака яичников на КТ с использованием глубокого обучения

Рак яичников является самым смертоносным гинекологическим злокачественным новообразованием, с 20 890 новых случаев и 12 730 смертей, ожидаемых в США в 2025 году. Несмотря на то, что составляет только 2,1% рака женщин, это вызывает 4,3% смертей, связанных с раком. Риск развития рака яичников пожизненного времени составляет 1 из 78, с риском смертности 1 в 108. Оптимальное лечение включает в себя полную хирургическую резекцию с последующей химиотерапией; Тем не менее, показатели выживаемости остались в значительной степени неизменными за последние два десятилетия. Раннее обнаружение значительно улучшает выживаемость, но только 31% случаев диагностируются на ранней стадии из -за бессимптомной природы заболевания. Никаких универсальных скрининговых тестов не существует, и современные методы, включая CA-125 и трансвагинальное ультразвуковое исследование, имеют ограничения в снижении смертности.

Компьютерная томография (КТ) обычно используется для обнаружения рака яичников, но ее эффективность ограничена неспецифическими симптомами. КТ-скрининг, управляемый AI, вызвал интерес, и глубокое обучение демонстрировало перспективу обнаружения рака. Тем не менее, проблемы остаются в обеспечении модельной обобщения и оптимизации технических параметров. Эффективный скрининг должен минимизировать ненужные операции, поскольку в предыдущих испытаниях сообщалось высокие ложноположительные показатели и хирургические осложнения. Чтобы решить эту проблему, в исследовании разработал Cat-OV, инструмент на основе AI для обнаружения рака яичников с использованием компьютерной томографии. Система объединяет модель регрессии части тела (BPR) для локализации таза и ансамбля с множественным экземпляром (MIL) с пятью сверточными нейронными сетями (CNN) для прогнозирования присутствия рака. Cat-OV был оценен на трех тестовых наборах: внутренний набор данных, международный набор данных из США и общенациональный многоинституциональный набор данных от Тайваня.

Это ретроспективное исследование было одобрено Институциональным контрольным советом, и информированное согласие было отменено. Набор данных был построен из КТ -сканирования пациентов в возрасте ≥20, которые перенесли операцию на яичниках между 2010 и 2020 годами в Мемориальной больнице Чанг Гун. Злокачественные случаи включали различные гистопатологические подтипы, в то время как контроль состоял из доброкачественных опухолей яичников и обогащенного набора данных людей без рака. Окончательный набор данных состоял из 5680 случаев, разделенных на набор обучения/валидации (n = 4554) и внутренний набор тестов (n = 1126), включая 173 рака и 953 контрольных случая. Международный набор данных включал 40 рака и 47 контрольных случаев из Бригама и женской больницы. Общенациональный набор данных состоял из 447 случаев рака яичников и 1131 контроля из национальной базы данных медицинского страхования Тайваня.

Модель BPR, модифицированная из Resnet50, локализованные области таза на КТ -сканировании посредством неконтролируемого обучения. Обучение включало в себя предварительную обработку, увеличение и регрессию на основе выбора подводов. Модель классификации MIL рассматривала каждый 3D-подвол как «мешок» из 2D-срезов, используя эффективный NetStv2-S в качестве основы и модуль агрегации на основе внимания для окончательного прогноза. Обучение включало предварительную обработку, увеличение и пятикратную стратегию перекрестной проверки. Окончательная ансамблевая модель определила классификацию на основе усредненных логитов и оптимизированных порогов. Визуализация была выполнена с использованием техники узкого места для выбора для повышения интерпретации.

Хирургическая гистопатология послужила эталонным стандартом, рассмотренным опытным патологом с использованием классификации ВОЗ 2020 года. Иммуногистохимический анализ был проведен, чтобы отличить первичный рак яичников от метастазов. Опухоли были организованы в соответствии с 8 -м изданием системы FIGO. Это исследование направлено на улучшение обнаружения рака яичников и эффективности скрининга с помощью КТ-анализа, управляемого искусственным технологиями.