AI-detektion av blåstumörer under endoskopi

Forskningsbakgrund Blåscancer är den nionde vanligaste maligniteten i världen, med uppskattningsvis 430 000 nya fall som diagnostiseras årligen. Standarddiagnostik och övervakning av blåscancer bygger på vitt ljus cystoskopi (WLC), med över 2 miljoner cystoskopier som utförs årligen i USA och Europa. På grund av den höga återfallsfrekvensen av cancer i urinblåsan är frekvent övervakning och intervention nödvändig.

Tidig upptäckt och fullständig resektion av icke-muskelinvasiv blåscancer kan minska återfall och progression. Upp till 40 % av patienterna med multifokal sjukdom uppnår dock inte fullständig resektion under den initiala transuretrala resektionen av blåstumör (TURBT). Många papillära tumörer och platta lesioner är svåra att identifiera genom WLC. Det finns ett akut behov av kostnadseffektiva, icke-invasiva och användarvänliga kompletterande bildbehandlingstekniker för att åtgärda de diagnostiska bristerna i WLC.

Nya framsteg inom djupinlärning-baserad automatiserad bildbehandling kan ge nya lösningar på begränsningarna av cystoskopi. Konvolutionella neurala nätverk (CNN) har förmågan att lära sig komplexa relationer och integrera befintlig kunskap i modeller, som visar potentiella tillämpningar inom olika områden, inklusive urinblåstumördiagnos. Vi använde HRNet-algoritmen, ett konvolutionellt neuralt nätverk, för förbättrad urinblåstumördetektering.

Forskningsprocess 4.1 Inklusionskriterier för patientkohort: 1. De patienter som hade blåstumör och fick WLC eller TURBT, och operationsvideon i full längd är tillgänglig.

Uteslutningskriterier: 1. Videon är för suddig för att särskilja den normala blåsväggen och blåstumören. 2. Brist på utseende av blåstumör före resektion. 3. Brist på informerat samtycke.

Patientinformation i videorna kommer inte att visas. Videor från de initialt rekryterade 200 blåstumörpatienterna kommer att användas för algoritmutveckling. Videor från ytterligare 100 patienter används för algoritmvalidering.

4.2 Dataförbehandling För att minska datamängden extraherar vi ramen i förhållandet 1:4. Två urologer skisserar gränsen för blåstumörer i varje ram separat och kontrollerar varandra. AI-algoritm används för att konturera samma blåstumörer. Konturerna av blåstumör annoterade av urologer och algoritmer jämförs, IOU-värdet, precision, känslighet och falsk negativ frekvens analyseras.

4.3 Algoritmutveckling Denna studie använder semantisk segmentering för att identifiera blåstumörer vid WLC. D-LinkNet-nätverksstrukturen använde en förtränad ResNet34 på ImageNet-datauppsättningen som kodare, där den centrala delen använde dilaterade faltningar med olika dilatationshastigheter på ett kaskadmässigt sätt, och uppsampling utfördes med hjälp av dekonvolution. Den ursprungliga upplösningen för alla bilder är 1920×1080, nedsamplad med 2 till 960×540 och nollstoppad i breddriktningen för att få bilden med en upplösning på 960×544. RGB-bilderna av denna storlek normaliserades, medelsubtraherades och variansuppdelade innan de matades in i nätverket. Bilderna genomgår fem kodningsprocesser, dilaterade faltningar och fem avkodningsprocesser, vilket slutligen producerar ett förutsägelseresultat på 960×544, som efterbehandlades ytterligare. I denna forskning var parameterinställningarna följande: batchstorlek på 8, Adam optimizer, en inlärningshastighet på 0,001. Träningsmiljön var en NVIDIA TITAN Xp GPU.

4.4 Resultattolkning Intersection over union (IOU) är en avgörande standard för att utvärdera enbildsbildigenkänningsförmåga vid bildigenkänning. När IOU ligger över tröskeln, tyder det på att modellen detekterar objektet framgångsrikt, vilket indikerar ett sant positivt. När IOU inte kan nå tröskeln, tyder det på att modellen misslyckas med att upptäcka objektet, och indikerar ett falskt negativt. Om en förutsägelse dyker upp utan grundsanning i bilden anses den vara en falsk positiv. Vi beräknar modellens känslighet och precision i testsetet. Tärningskoefficienten mäter likheten mellan två sampel. En högre genomsnittlig tärningskoefficient indikerar en bättre detekteringsprestanda för modellen.

4.5 Observationsindikatorer

① Videokommentarer och klassificering: annoteringsstatus och RLN-igenkännande urskiljbarhetsklassificeringsresultat för tränings- och testuppsättningsoperationsvideor; ② Efter gruppering och träning, observera modellens känslighet, precision, falsk negativ frekvens, falsk positiv frekvens och genomsnittlig tärningskoefficient vid IoU-tröskelvärden på 0,1 och 0,5 i testuppsättningen under olika urskiljningsgrupper.

4.6 Statistiska metoder Analys kommer att analyseras med R 4.0.2 programvara, kommer uppgifterna att uttryckas som absoluta tal eller procentsatser.