AI Digunakan Untuk Mengidentifikasi Kanker Pankreas dalam CT Scan − BiologyGate.com

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.

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