در مطالعه اخیر منتشر شده در Nature Medicine، محققان یک رویکرد یادگیری عمیق را برای تمایز منشا تومور با استفاده از بافت شناسی سیتولوژی (TORCH)، تشخیص بدخیمی و پیش بینی منشاء تومور در هیدروتوراکس و آسیت با استفاده از تصاویر سیتولوژیکی از 57220 بیمار توسعه دادند.

مطالعه: هوش مصنوعی تصویر پزشکی شفاف از طریق یک مدل پایه تصویر-متن مبتنی بر ادبیات پزشکی. اعتبار تصویر: metamorworks/Shutterstock.com

زمینه

سرطان‌های محل‌های اولیه ناشناخته (CUP) بیماری‌های بدخیم هستند که توسط هیستوپاتولوژی به عنوان متاستاز تشخیص داده می‌شوند، اما منشأ آنها با استفاده از روش‌های تشخیصی معمول قابل تعیین نیست.

این بیماری ها اغلب به صورت افیوژن سروزی ظاهر می شوند و با وجود شیمی درمانی های ترکیبی، پیش آگهی بدی دارند. ایمونوهیستوشیمی محتمل ترین منشا CUP را پیش بینی می کند. با این حال، محققان می توانند چند مورد را با استفاده از کوکتل های رنگ آمیزی ایمنی تشخیص دهند. شناسایی دقیق محل‌های اولیه برای درمان موفق و مناسب حیاتی است.

در مورد مطالعه

در مطالعه حاضر، محققان TORCH، یک الگوریتم یادگیری عمیق را برای شناسایی پیدایش سرطان بر اساس تصاویر سیتولوژیکی از آسیت و هیدروتوراکس ارائه کردند.

محققان این مدل را با استفاده از چهار شبکه عصبی عمیق مستقل که برای تولید 12 مدل مختلف ترکیب شده‌اند، آموزش دادند. با استفاده از تصاویر سیتولوژیک، محققان تلاش کردند یک مدل تشخیصی مبتنی بر هوش مصنوعی برای پیش‌بینی منشا تومور در بین افراد مبتلا به بدخیمی و متاستازهای آسیت یا هیدروتوراکس ایجاد کنند.

آنها عملکرد سیستم هوش مصنوعی را با استفاده از نمونه های اسمیر سیتولوژیکی از چندین مجموعه آزمایش مستقل آزمایش و تایید کردند.

از ژوئن 2010 تا اکتبر 2023، محققان داده‌ها را از 90572 تصویر اسمیر سیتولوژی از 76183 بیمار سرطانی در چهار موسسه اصلی (بیمارستان اول دانشگاه ژنگژو، موسسه سرطان دانشگاه پزشکی تیانجین و بیمارستان، بیمارستان Yantai Yuhuangding، و اولین مرکز آموزشی دانشگاه سوژو) جمع‌آوری کردند. داده ها.

اختلالات تنفسی بالاترین درصد (30٪، 17058 بیمار) گروه های بدخیم را نشان می دهد.

سرطان 57 درصد از موارد آسیت و هیدروتوراکس را تشکیل می دهد که آدنوکارسینوم شایع ترین گروه است (47 درصد، 27006 بیمار). تنها 0.6 درصد از سرطان سلول سنگفرشی متاستاز به آسیت یا پلورال افیوژن (n = 346).

برای آزمایش تعمیم پذیری و قابلیت اطمینان TORCH، محققان 4520 بیمار متوالی را از بیمارستان سرطان تیانجین (مجموعه داده Tianjin-P) و 12467 بیمار را از بیمارستان Yantai (مجموعه داده Yantai) وارد کردند.

آنها به طور تصادفی 496 تصویر اسمیر سیتولوژی را از سه مجموعه آزمایش داخلی انتخاب کردند تا بررسی کنند که آیا TORCH ممکن است به آسیب شناسان جوان کمک کند تا عملکرد خود را بهبود بخشند.

آنها عملکرد آسیب شناسان جوان را با استفاده از TORCH با نتایج تفسیر دستی قبلی برای آسیب شناسان جوان و مسن مقایسه کردند.

محققان از نقشه های حرارتی توجه برای تفسیر یک مدل هوش مصنوعی برای تشخیص سرطان در 42682 تصویر اسمیر سیتولوژیکی از بیماران در سه بیمارستان بزرگ ارجاع سوم استفاده کردند. این مدل در سناریوهای دنیای واقعی با استفاده از مجموعه داده‌های آزمایش خارجی، که شامل 495 عکس بود، ارزیابی شد.

هدف این مطالعه افزایش توانایی‌های تشخیصی پاتولوژیست‌های جوان با استفاده از TORCH است. تست‌های ابلیشن مزایای گنجاندن ویژگی‌های بالینی در پیش‌بینی منشا تومور را ارزیابی کردند و ارتباط بین عوامل بالینی و تصاویر سیتولوژیک را بررسی کردند.

نتایج

مدل TORCH، یک تکنیک جدید برای پیش‌بینی منشأ تومور در تشخیص و محلی‌سازی سرطان، بر روی مجموعه داده‌های مختلف ارزیابی شده است.

یافته‌ها نشان می‌دهد که TORCH دارای میانگین کلی میکرو منطقه یک در مقابل استراحت در زیر منحنی (AUROC) 0.97، با دقت بالای 1 83 درصد و دقت بالای 3 99 درصد است. این کارایی پیش‌بینی TORCH را در مقایسه با آسیب‌شناسان افزایش داد، به‌ویژه نمرات تشخیص آسیب‌شناسان جوان را افزایش داد.

بیماران مبتلا به سرطان های اولیه ناشناخته که اولین رویکرد درمانی آنها با منشاء تخمین زده شده توسط TORCH سازگار بود، نسبت به بیمارانی که درمان ناهماهنگ دریافت کردند، نرخ بقای کلی بالاتری داشتند. این مدل تعمیم و سازگاری نسبتاً قابل اعتمادی را نشان داد.

هنگامی که با پنج مجموعه تست همراه شد، TORCH دارای دقت بالای 1 83٪، دقت بالا 2 96٪ و دقت بالای 3 99٪ بود. همچنین رتبه‌بندی‌های AUROC با میانگین میکرو یک در مقابل استراحت را در گروه‌های با قطعیت پایین و با قطعیت بالا تولید کرد.

این مطالعه شامل 391 بیمار سرطانی بود که از این تعداد 276 نفر همخوان و 115 نفر ناسازگار بودند. پس از دوره پیگیری، 42 درصد بیماران فوت کردند که 37 درصد بیماران همخوان و 53 درصد ناهماهنگ بودند. تجزیه و تحلیل بقا نشان داد که بیماران همخوان بقای کلی به طور قابل توجهی بالاتر از بیماران ناسازگار داشتند.

تهیه اسمیر ضعیف و مسائل مربوط به کیفیت تصویر مانند تا شدن بخش، آلاینده ها یا رنگ آمیزی بیش از حد ممکن است به تشخیص بیش از حد هوش مصنوعی در سرطان پانکراس کمک کند. محققان می توانند با پردازش دستی دقیق در طول مرحله غربالگری داده ها، این نقص ها را برطرف کنند.

در مورد سرطان روده بزرگ، لجن قسمت اعظم تصویر را اشغال کرده است، که ممکن است باعث شده باشد که مدل هوش مصنوعی در حین رسیدن به تشخیص، این جنبه حیاتی را نادیده بگیرد.

نتیجه

بر اساس یافته‌های مطالعه، مدل TORCH، یک ابزار هوش مصنوعی، در عمل بالینی امیدوارکننده‌ای برای پیش‌بینی منشاء سیستم اولیه سلول‌های بدخیم در هیدروتوراکس و آسیت است.

می‌تواند بین تومورهای بدخیم و بیماری‌های خوش‌خیم تمایز قائل شود، منابع سرطان را مشخص کند و در تصمیم‌گیری بالینی در بیماران مبتلا به سرطان با منشأ ناشناخته کمک کند. این مدل در پنج مجموعه آزمایش خوب عمل کرد و از چهار آسیب شناس بهتر عمل کرد.

این می‌تواند به انکولوژیست‌ها در انتخاب درمان برای افراد ناشناس مبتلا به CUP، عمدتاً آدنوکارسینوما، که با رژیم‌های شیمی‌درمانی وسیع الطیف تجربی درمان می‌شوند، کمک کند.