AI Digunakan Untuk Mengidentifikasi Kanker Pankreas dalam CT Scan
Dalam sebuah studi baru-baru ini yang diterbitkan dalam jurnal Radiology, para peneliti di Taiwan mengembangkan alat deep learning (DL)–based computer-aided detection (CAD) untuk mendeteksi kanker pankreas pada Perut yang ditingkatkan kontras computed tomography (CT) scans.
.png)
Latar belakang
Pasien kanker pankreas memiliki tingkat kelangsungan hidup
lima tahun terendah; Proyeksi menunjukkan akan muncul sebagai penyebab kedua
kematian kanker di Amerika Serikat pada tahun 2030. Selain itu, prognosis
kanker pankreas memburuk dengan cepat setelah tumor tumbuh lebih menonjol
daripada 2 cm, dengan demikian, memerlukan deteksi dini.
Saat ini, diagnosis kanker pankreas melalui CT kehilangan
hampir 40% tumor kurang dari 2 cm dan juga terhambat oleh perbedaan dalam
keahlian radiologi. Memang, ada kebutuhan medis yang tidak terpenuhi untuk alat
yang dapat memberdayakan ahli radiologi secara manual menganalisis segmentasi
pankreas untuk meningkatkan sensitivitas deteksi kanker pankreas. Selain itu,
pada pasien kanker pankreas, segmentasi atau identifikasi pankreas menantang
karena bervariasi dalam ukuran dan bentuk dan berbatasan dengan banyak organ
dan struktur lainnya.
Dalam salah satu karya mereka sebelumnya, para peneliti
menunjukkan bahwa DL-based convolutional neural network (CNN) dapat secara
akurat membedakan kanker pankreas dari pankreas non-kanker.
Tentang penelitian ini
Dalam penelitian ini, para peneliti menguji dan memvalidasi
alat computer-aided detection (CAD) yang serupa yang menyimpan CNN untuk
mensegmentasi pankreas pada gambar CT. Selain itu, alat ini memiliki classifier
ensemble dengan lima CNN klasifikasi independen untuk memprediksi keberadaan
kanker pankreas. Mereka memperoleh semua CT scan yang dianalisis dalam fase
vena portal, 70-80 detik setelah pemberian media kontras intravena.
Dataset pelatihan dan validasi dan set data pengujian lokal
dan nasional digunakan dalam penelitian ini. Tim secara acak membagi pasien
kanker pankreas dalam rasio 8: 2 ke dalam pelatihan dan set validasi dan set
tes lokal, masing -masing. Mereka secara prospektif mengumpulkan studi CT dari
546 pasien dengan kanker pankreas yang didiagnosis antara Januari 2006 dan Juli
2018 dari praktik klinis di Taiwan, yang membentuk dataset lokal mereka. Pasien
-pasien ini berusia 18 tahun atau lebih dengan adenokarsinoma pankreas yang
dikonfirmasi dengan temuan yang terdaftar di National Cancer Registry. Kelompok
kontrol untuk dataset lokal terdiri dari studi CT 1.465 orang dengan pankreas
normal yang dikumpulkan antara Januari 2004 dan Desember 2019.
Para peneliti mencari sertifikat penyakit utama National
Health Insurance (NHI) untuk mengambil studi CT dari 669 pasien dengan kanker
pankreas yang baru didiagnosis antara Januari 2018 dan Juli 2019. Demikian
juga, mereka mengekstraksi studi CT 72 donor ginjal dan hati pada saat yang
sama Waktu dari database NHI, yang membentuk grup kontrol. Mereka lebih lanjut
menggabungkan keduanya dengan studi CT 732 subjek kontrol dari arsip pencitraan
pusat rujukan tersier dari database NHI untuk membuat dataset uji nasional dari
penelitian ini.
Terakhir, tim melatih lima klasifikasi CNN pada himpunan
bagian lain dari set pelatihan dan validasi yang diambil dari pusat rujukan tersier
dari database NIH, yang memiliki studi CT dari 437 pasien kanker pankreas dan
586 kontrol. Hanya ketika jumlah CNN prediksi positif sama dengan atau lebih
besar dari jumlah terkecil yang menghasilkan positif likelihood ratio (LR) lebih
besar dari satu dalam validasi, mengatur para peneliti menganggap bahwa CT
menunjukkan kanker pankreas.
Para peneliti mengevaluasi kinerja CNN segmentasi dengan
skor dadu per pasien. Demikian juga, mereka menilai kinerja CNN klasifikasi
berdasarkan sensitivitas, spesifisitas, dan akurasi masing -masing. Tim
menghitung area di bawah kurva karakteristik operasi penerima (AUC) dan LR.
Akhirnya, mereka menggunakan uji McNemar untuk membandingkan sensitivitas alat
CAD dan interpretasi ahli radiologi.
Temuan Studi
Dalam set tes internal, sensitivitas alat CAD dan spesifisitas untuk membedakan antara keganasan CT dan studi kontrol masing -masing adalah 89,7% dan 92,8%, dengan sensitivitas hampir 75% untuk kanker pankreas yang lebih kecil dari 2 cm. Secara keseluruhan, ini menunjukkan ketahanan dan generalisasi yang tinggi. Menariknya, sensitivitas alat CAD sebanding dengan menghadiri ahli radiologi dari lembaga akademik tersier dengan volume besar pasien kanker pankreas (90,2% vs 96,1%), menunjukkan bahwa alat ini mungkin memiliki sensitivitas yang lebih tinggi daripada radiologi yang kurang berpengalaman. Ini mungkin membantu mengurangi tingkat kehilangan yang dikaitkan dengan perbedaan dalam keahlian ahli radiologi.
Selain itu, alat ini tampaknya layak untuk penyebaran klinis
karena memberikan informasi yang cukup untuk membantu dokter. Itu menentukan
apakah gambar menunjukkan kanker pankreas. Juga, ini menunjukkan kemungkinan
lokasi tumor untuk membantu ahli radiologi dengan cepat menafsirkan hasilnya.
Khususnya, dalam ~ 90% kanker pankreas secara akurat diidentifikasi oleh alat
CAD, CNN segmentasi dengan tepat menunjukkan lokasi tumor dengan benar. Selain
itu, alat CAD menyediakan LR positif, ukuran kepercayaan kanker pankreas vs
klasifikasi kanker non-pankreas untuk lebih menginformasikan proses
diagnostik-terapeutik selanjutnya daripada klasifikasi biner sederhana.
Tanda-tanda sekunder dalam bagian non-tumor dari pankreas,
termasuk dilatasi saluran pankreas, atrofi parenkim pankreas hulu, dan cutoff
mendadak dari saluran pankreas, adalah petunjuk untuk kanker pankreas
okultisme. Alat diagnostik yang baik harus dapat memanfaatkan tanda -tanda ini
dalam proses deteksi. Dalam penelitian ini, CNN klasifikasi dengan benar
mengklasifikasikan dua kasus kanker pankreas dengan menganalisis bagian
pankreas yang tidak tumor hanya dengan mempelajari tanda-tanda sekunder kanker
pankreas secara spontan dari contoh.
Kesimpulan
Alat CAD baru yang digunakan dalam penelitian ini
menunjukkan potensi untuk melengkapi ahli radiologi untuk deteksi awal dan
akurat kanker pankreas pada CT scan. Namun, temuan bahwa CNN klasifikasi
mungkin telah mempelajari tanda -tanda sekunder kanker pankreas memerlukan
penyelidikan lebih lanjut. Demikian juga, studi di masa depan harus menguji
kinerja alat CAD ini dalam populasi selain orang Asia (dan Taiwan) untuk
mengumpulkan data yang mendukung generalisasi.
Journal reference:
Pancreatic Cancer Detection on CT Scans with Deep Learning:
A Nationwide Population-based Study, Po-Ting Chen, Tinghui Wu, Pochuan Wang, Dawei Chang, Kao-Lang Liu, Ming-Shiang
Wu, Holger R. Roth, Po-Chang Lee, Wei-Chih Liao, Weichung Wang, Radiology 2022, DOI:
https://doi.org/10.1148/radiol.220152,
https://pubs.rsna.org/doi/10.1148/radiol.220152
No comments