לאחרונה רדיולוגיה מחקר כתב עת מעריך את הכוח של מודל למידה עמוקה אוטומטית לחלוטין (DL) להפקת תפוקות דטרמיניסטיות לזיהוי סרטן ערמונית בעל משמעות קלינית (csPCa).
לִלמוֹד: מודל למידה עמוקה אוטומטית לחלוטין לאיתור סרטן ערמונית בעל משמעות קלינית ב-MRI. קרדיט תמונה: Antonio Marca / Shutterstock.com
שימוש בלמידת מכונה לאבחון סרטן הערמונית
סרטן הערמונית הוא הסרטן השני בשכיחותו הפוגעת בגברים ברחבי העולם. כדי לאבחן csPCa, נעשה שימוש נפוץ בהדמיית תהודה מגנטית רב-פרמטרית (MRI).
גישת דיווח ופרשנות סטנדרטית כוללת שימוש במערכת הדיווח והנתונים להדמיית הערמונית (PI-RADS), הדורשת רמה גבוהה של מומחיות. אף על פי כן, שימוש ב-PI-RADS לסיווג נגעים רגיש לשונות תוך ותוך צופים.
ניתן להשתמש בלמידת מכונה קלאסית או DL כדי לזהות csPCa על ידי אימון מודל על אזורי עניין ספציפיים המתקבלים על ידי סריקות MRI. גישה חלופית היא להשיג תחזיות עבור כל ווקסל על ידי אימון מודל פילוח.
גישות למידת מכונה אלו מחייבות רדיולוג או פתולוג להעיר את הנגעים בשלב פיתוח המודל, כמו גם בשלבי האימון מחדש וההערכה מחדש לאחר יישום קליני. כתוצאה מכך, יישום גישות אלו קשור בעלויות גבוהות שגם מגבילות את גודל מערך הנתונים.
לגבי המחקר
החוקרים של המחקר הנוכחי היו מעוניינים לפתח מודל DL לניבוי נוכחות של csPCa ללא מידע מוקדם על מיקומו של הגידול. הם השתמשו בתוויות ברמת המטופל המבהירות את הנוכחות או היעדר csPCa והשוו את התחזיות של המודל עם תחזיות הרדיולוגים.
נאספו נתונים על מטופלים ללא csPCa ידוע שעברו סריקת MRI בין ינואר 2017 לדצמבר 2019. תמונות משוקללות ניגודיות T1, תמונות משוקללות T2, מפות של מקדם דיפוזיה לכאורה ותמונות משוקלות דיפוזיה שימשו לאימון עצב קונבולוציוני רשת כדי לחזות csPCa.
אבחון פתולוגי היווה את תקן הייחוס. ארבעה מודלים הוערכו: תמונה בלבד, רדיולוגים, תמונה + רדיולוג, ומודלים תדמיתיים + קליניים + רדיולוגים.
דירוגי PI-RADS של ארבעה רדיולוגים הודיעו על מערך הבדיקות החיצוניות (ProstateX) ושימשו עבור מערך הבדיקות הפנימי. בדיקת DeLong ועקומות תפעול מקלט (AUCs) שימשו להערכת ביצועי רדיולוג. לוקליזציה של הגידול הוצגה באמצעות מפות הפעלה מחלקות משוקללות (Grad-CAMs).
ממצאי המחקר
המודל של תמונה + קליני + רדיולוג היה קשור לכוח הניבוי הגבוה ביותר עם AUC של 0.94, ואחריו מודל תמונה + קליני עם AUC של 0.91. למודל התמונה בלבד ולרדיולוגים היה AUC של 0.89.
עבור תת-קבוצת המקרים שהוכחו פתולוגית בתוך הסט הפנימי, המודל הקליני של התמונה והקליני היה בעל ה-AUC הגבוה ביותר ב-0.88. למודל הרדיולוג היה AUC של 0.78, בעוד שהמדד הקליני היה קשור ל-AUC של 0.77. לפיכך, למודל התמונה + קליני + רדיולוג היה כוח הניבוי הגבוה ביותר מבין כל מדגם הבדיקה הפנימית. לעומת זאת, למודל התדמיתי + הקליני היה כוח הניבוי הגבוה ביותר בתת-קבוצת המקרים שהוכחו בפתולוגיה.
עבור המודל של תמונה + קליני + רדיולוג, השיעור האמיתי-חיובי (TPR) היה הגבוה ביותר, ושיעור חיובי השווא (FPR) היה הנמוך ביותר. עבור מקרים שהוכחו פתולוגית, ה-TPR של הרדיולוג היה הגבוה ביותר, וה-FPR של המודל הקליני בתמונה + היה הנמוך ביותר. עבור מערך הנתונים החיצוני, מודל התמונה + הרדיולוג הראה את ה-AUC וה-TPR הגבוהים ביותר ואת ה-FPR הנמוך ביותר.
לגבי השימוש ב-Grad-CAM ללוקליזציה של הגידול, חולים עם נגעים PI-RADS 1 או 2 שלא עברו ביופסיה היוו חלק ניכר מהמקרים השליליים. מספר מקרים תויגו כשגוי-שלילי.
מסקנות
המחקר הנוכחי חזה בהצלחה נוכחות של csPCa עם MRI באמצעות מודל DL. לא נצפו הבדלים מובהקים סטטיסטית בין ביצועי המודל לזה של רדיולוגים מנוסים עבור מערכי בדיקות פנימיים וחיצוניים כאחד. ממצאים אלו מצביעים על כך שלמודל ה-DL שפותח במחקר הנוכחי יש פוטנציאל לסייע לרדיולוגים בזיהוי csPCa וביופסיה של נגעים, שיכולים לשפר משמעותית את האבחנה של סרטן הערמונית.
מגבלה חיונית של המחקר הנוכחי היא אופיו הרטרוספקטיבי באתר יחיד. יתרה מכך, במאמץ לשפר את דיוק הניבוי שלו, מודל ה-DL כלל רק רדיולוגים שהתמחו ב-MRI של הערמונית והוציא מתאמנים ורדיולוגים כלליים.
