Förstudie för utveckling av MoleGazer

Bakgrund

Incidensen av melanom ökar snabbt med 15 906 nya fall i Storbritannien (Storbritannien) under 2015, vilket resulterade i 2 285 dödsfall. Att diagnostisera melanom tidigt är viktigt eftersom sjukdom i tidigt stadium har > 95 % 5-års relativ överlevnad jämfört med 8-25 % för avancerad melanom. I Storbritannien förutspås kostnaderna för hudcancer överstiga 180 miljoner pund till 2020 och utgöra betydande sjuklighet (och dödlighet) för drabbade individer. Upp till 60 % av melanom uppstår från redan existerande naevi (mol). Tidig upptäckt av melanom är beroende av individer som känner igen förändringar i naevi och för de individer med flera naevi expertbedömning av dessa naevi av utbildade hudläkare som använder diagnostiska hjälpmedel som dermoskopi (x10 förstoring). Dessutom finns det bevis för att sekventiell övervakning av naevi också ökar melanomdetektionsfrekvensen.

Total body photography (TBP) är ett diagnostiskt hjälpmedel för övervakning av flera naevi

För patienter med hög risk att utveckla melanom med flera naevi (>60) används total kroppsfotografering (TBP) (standardiserade kroppsdelar tagna med en högupplöst kamera), som ett hjälpmedel för att spåra, jämföra och övervaka naevi över tid och har visat sig förbättra diagnosen melanom. Rekommenderad korttidsövervakning av naevi är 3 månader men är till stor del begränsad till enstaka lesioner. I en resursbegränsad National Health Service (NHS) är frekvent övervakning av flera naevi av en hudläkare opraktisk och ineffektiv så att tidig diagnos av melanom i praktiken är beroende av patientens självövervakning. En potentiell lösning är automatiserad analys av TBP-bilder med hjälp av artificiell intelligens (AI) för att spåra och övervaka naevi över tid.

Artificiell intelligens tillämpad på TBP skulle kunna förbättra effektiviteten av "mol-mapping"

Tidigare AI-utvärdering av hudskador har visat likvärdig noggrannhet som utbildade dermatologer i hudcancerdiagnos, men detta förlitade sig på analys av singelskada vid statiska tidpunkter (med biopsibeprövade diagnoser). Användningen av lesioner schemalagda för excision (d.v.s. hög klinisk misstanke om melanom) begränsar allvarligt den kliniska tillämpbarheten och en Cochrane-granskning drog slutsatsen att användbarheten av datorstödd detektion för melanomdiagnos inom sekundärvården fortfarande är okänd. Den mer kliniskt relevanta frågan är om automatiserad detektering av förändringar i naevi med hjälp av sekventiella TBP-bilder, kliniskt kallad "mol mapping", kan verkligen förbättra tidig diagnos av melanom.

Hittills har TBP-system inom NHS begränsad automatisering, begränsad till att lagra och hämta bilder. Även om det finns ett automatiserat system för total kroppsskanning och i framtiden kan inkludera AI-baserad diagnos utöver nuvarande bildinsamling och lesionsmatchningsalgoritmer, kommer en fullständig klinisk validering och varje efterföljande implementering i NHS att bli kostsamt på grund av de investeringar som krävs i skanningssystemet (nuvarande kostnad US $1 miljon). Huruvida samma eller bättre resultat kan uppnås med mer konventionell bildinsamlingsutrustning och sofistikerad AI-teknik är okänt. Utredarna föreslår en ny tillämpning av astronomiska AI-metoder för tidig melanomdetektering med standard TBP-baserad övervakning av naevi som för närvarande används i NHS och kan användas som ett komplement till klinisk granskning av individer.

Tillämpning av astronomiska AI-tekniker för TBP-övervakning av flera naevi

Övergående vetenskap inom astronomi syftar till att upptäcka och spåra utvecklingen av nya astronomiska källor som exploderande stjärnor. Individuella händelser uppvisar både lång- och kortsiktig utveckling genom att jämföra nya bilder med arkivdata och klassificeras baserat på en funktionsuppsättning, inklusive transient ljusstyrka, färg, korrekt rörelse och omfattning. Banbrytande astronomiska undersökningar övervakar himlen varje natt över fleråriga tidsskalor för att identifiera subtila förändringar. AI-tekniker (som slumpmässiga skogar och återkommande neurala nätverk; RNN) som använder hela tidsseriehistoriken och kontextuell information används rutinmässigt för att identifiera och klassificera händelser sannolikt. Med varje ny observation som ger ytterligare information, kan astronomiska transienta undersökningar rutinmässigt upptäcka och karakterisera nya källor, så att utvecklingen av nya källor kan förutsägas med 99,5 % noggrannhet baserat på endast tre tidpunkter.

Denna utmaning inom astronomi är analog med "mullvad kartläggning" för individer med hög risk att utveckla melanom; både naevi och astronomiska källor kan karakteriseras som distinkta källor mot en homogen bakgrund som spåras över flera bilder för att upptäcka förändring. Utredarna antar därför att astronomiska AI-tekniker är idealiska för att ta itu med detta kliniska problem och utvecklar MoleGazer-projektet för att testa detta.

Logisk grund

För att utveckla MoleGazer-algoritmen kräver utredarna en grunddatauppsättning för att tillämpa astronomiska AI-algoritmer på TBP-bilder för att upptäcka och spåra naevi över sekventiella bilder. Det finns för närvarande inga allmänt tillgängliga databaser med TBP-bilder för utredarna att testa denna genomförbarhet och därför är syftet i denna studie att samla in:

1. en tidsseriekohort av TBP-bilder tagna vid fasta sekventiella tidpunkter under 2 år
2. en baslinjekohort av TBP-bilder med sekventiella bilder tagna vid vilken tidpunkt som helst Genom att samla in TBP-bilder kommer det att göra det möjligt för utredarna att studera känsligheten för naevi-detektering och karakterisering på hudton, ljusnivåer, bildregistrering och bakgrundssubtraktionstekniker, vilket gör det möjligt för utredarna för att även automatisera detektering av naevi och spåra deras utveckling i valfri sekventiell bild som studieteamet har. Utvecklingen av denna databas kommer att göra det möjligt för utredarna att demonstrera genomförbarheten av tillämpningen av astronomiska AI-metoder på TBP-bilder.