Noggrannhet av djupinlärningsalgoritm för detektion och riskstratifiering av lungknutor

Osteosarkom anses vara den vanligaste maligna skeletttumören hos barn och ungdomar. Cirka 15 % till 20 % av patienterna med osteosarkom uppvisar detekterbar metastaserande sjukdom, och majoriteten av dem (85 %) har lungskador som det enda stället för metastasering. Tidigare studier har visat att den totala överlevnaden bland patienter med lokaliserat osteosarkom utan metastaserande sjukdom är cirka 60 % till 70 %, medan överlevnaden minskar till 10 % till 30 % hos patienter med metastaserad sjukdom. Även om neoadjuvanta och adjuvanta kemoterapeutiska regimer på senare tid kan minska dödligheten, dör fortfarande 30 % till 50 % av patienterna av lungmetastaser. Antalet, distributionen och tidpunkten för lungmetastaser är av prognostiskt värde för överlevnad och därför spelar datortomografi (CT) thoraxavbildning fortfarande en viktig roll vid sjukdomsövervakning. Under det senaste decenniet har tekniken för multidetektor CT-skanner förbättrat upptäckten av många mindre lungskador, vilket å ena sidan kan öka den diagnostiska känsligheten för lungmetastaser, men specificiteten kan minska. De senaste åren har algoritmen för djupinlärning av artificiell intelligens (AI) i en mängd olika bildundersökningar varit ett hett ämne. För närvarande har ett ökande antal datorstödda diagnossystem (CAD) baserade på djupinlärningsteknologier som syftar till snabbare screening och korrekt tolkning av pulmonella knölar snabbt utvecklats och introducerats på marknaden. Hittills har forskningen som koncentrerat sig på att förbättra noggrannheten i klassificeringen av benigna/maligna knölar gjort betydande framsteg, inspirerade av enorma framsteg inom tekniker för djupinlärning. Följaktligen kan majoriteten av de befintliga CAD-systemen utföra pulmonell nodulklassificering med en noggrannhet på 90 % över. I klinisk praxis är inte bara bestämningen av malignitet för pulmonell nodul, utan även distinktionen mellan primärt karcinom och intrapulmonell metastasering avgörande för patienthanteringen. De flesta befintliga klassificeringarna av lungknölar som tillämpas i CAD-systemet förblir dock binära mönster (benigna kontra elakartade), i avsaknaden av mer grundlig nodulklassificering som kännetecknas av splittring av primär och metastatisk knöl. Så vitt vi vet har endast ett fåtal studier fokuserat på prestandan hos djupinlärningsbaserat CAD-system för identifiering av metastaserande lungknutor hittills. I denna föreslagna studie försökte utredarna fastställa noggrannheten och känsligheten hos ett datorstödt system baserat på djupinlärningsalgoritm för artificiell intelligens för upptäckt och riskstratifiering av lungknölar hos patienter med osteogena sarkomer.