במחקר שפורסם לאחרונה ב The Lancet Regional Health-דרום מזרח אסיהחוקרים פיתחו מודל חיזוי מבוסס בינה מלאכותית (AIPS) לזיהוי מוקדם של סרטן ריאות על ידי שילוב נתונים רדיולוגיים, קליניים וגנטיים.
רקע כללי
הפרוגנוזה של סרטן הריאות השתפרה עקב מטרות מולקולריות וטיפולים ממוקדים, כולל טיפול במוטציות קולטן לגורם גדילה אפידרמיס סומטי (EGFR). עם זאת, רצף הדור הבא (NGS) אינו זמין במדינות מוגבלות משאבים כמו הודו. נדרש צינור מבוסס בינה מלאכותית כדי לזהות מאפיינים של גושי ריאה בסריקות טומוגרפיה ממוחשבת (CT) ולחזות הסתברות למוטציה ב-EGFR, מה שמאפשר טיפול וטיפול כמעט אופטימליים.
לגבי המחקר
במחקר הנוכחי, החוקרים הדגימו את צינור ה-APIS לזיהוי וחיזוי נוכחות של גושי ריאה מוטנטיים EGFR מסריקות CT במצבים מוגבלי משאבים כמו הודו.
באמצעות ריצוף EGFR ונתוני הדמיית CT מ-2,277 חולי סרטן ריאות, החוקרים יצרו אלגוריתם אוטומטי של זיהוי ואפיון גושי ריאות. הם התרכזו בהודים (מחזורים 1, 2 ו-3), בניגוד למחקרים קודמים, שהתמקדו בעיקר בפרטים ממוצא לבן וסיני.
הצוות אסף נתונים על האוכלוסייה ההודית מהמכון והמרכז לחקר הסרטן ראג'יב גנדי, הודו, ונתוני האוכלוסייה הלבנה (קבוצה 4) מארכיון הדמיית הסרטן (TCIA). הם יצרו את מודל חיזוי AI-Nodule (AIPS-N) על ידי השגת אוסף התמונות של Lung Image Database Consortium (LIDC-IDRI) נתוני הדמיה ממוחשבת של טומוגרפיה (Cohort 5), שכללו 1,010 חולים (מסומנים ב-244,527 תמונות).
החוקרים עיבדו מראש סריקות CT בטכניקות חלונות כדי לשפר את נראות הריאות, ולאחר מכן פירשו הערות תמונה והשתמשו בפילוח ריאות אוטומטי כדי לזהות ולהפריד את אזור הריאות בתמונה. הם אימנו את מודל הרשת העצבית הקונבולוציונית המהירה יותר (R-CNN) המבוססת על אזורים עם הערות התמונה המנתחות והתמונות המעובדות מראש המתאימות.
הצוות עיבד מראש תמונות LIDC-IDRI כדי להעריך את האנטומיה ולזהות פתולוגיות. הם נרמלו את ערכי עוצמת ה-DICOM לטווח מוגדר לפני השימוש בטכניקות חלונות כדי להשיג טווח עוצמה עקבי על פני תמונות מקבוצות שונות. הם העבירו את מערך ההדרכה, שכלל מסכות, הערות תמונה ופרוסות, למודל הבסיסי שהוכשר מראש, שחילץ תכונות מתמונות קלט ויצר מפות תכונות מסוג קונבולוציוני רב-קנה מידה גבוהות.
החוקרים השתמשו ברשת ההצעות האזוריות (RPN) על מפות תכונות קונבולוציוניות בקנה מידה מרובים כדי לצפות הצעות אזוריות ומיקומים סבירים בתמונה שעשויים לכלול פריטים מעניינים. דלתות עוגן היו תיבות תוחמות מוכנות עם יחסי גובה-רוחב וגדלים מגוונים שהוצבו על גבי מפות התכונות הקונבולוציוניות כדי לעזור לשפר את תיבות העוגן וליישר אותן באופן הדוק יותר עם אובייקטי תמונה.
מודל ה-AIPS-Nodule השתמש בקופסה צהובה כדי להדגיש חזותית ולסגור את אזור הריאות המעניין בסריקות CT, מה שמאפשר חקירה נוספת. המודלים האוטומטיים של פילוח ריאתי וזיהוי אובייקטים נבנו בנפרד עבור כל תכונת גושים, והניבו חמישה מודלים של תכונה AIPS-N. החוקרים השתמשו במודלים בסיסיים כמו ResNet101-Feature Pyramid Network (R101-FPN) ו-CNN מבוסס אזור מהיר כדי לחלץ תכונות תמונה ולאמן את המודל. הם השתמשו ב-70%, 15% ו-15% מהנתונים להכשרת מודלים, אימות ובדיקות, בהתאמה.
תוצאות
מודל הלמידה העמוקה יכול להחליף מודלים של למידת מכונה (ML) על ידי הוספת תוצאות AIPS-N, אשר שיפרו את ביצועי ה-ML. מודל AIPS-Nodule יכול לזהות ולאפיין גושים ריאות באופן אוטומטי, עם ציון AP50 ממוצע של 70%. מערכת AIPS-M שילבה את תוצאות ה-AIPS-Nodule עם פרמטרים קליניים כדי לחזות את הגנוטיפ של EGFR כדי להניב שטח תחת ערכי המאפיין המאפיין המקלט (AUC) שנעים בין 0.6 ל-0.9.
לאלגוריתמי ML מאומנים ב-Cohort 1 היה AUC ממוצע של 0.85 בתת-קבוצת האימות. מודלים של יער אקראי, חיפוש אקראי Cross-Validation, XGBoost ו-AIPS-Mutation ML שהוכשרו על האוכלוסייה ההודית והקבוצה הלבנה יצרו AUC ממוצע של 0.8 כאשר נבדק על Cohort 4. בבדיקת Cohort 4, ה-AUC הממוצע של מודלים ML אומנו השימוש בקבוצה הראשונה עלה מ-0.6 ל-0.9, מה שמוכיח את ההשפעה החיובית של שילוב דירוגי AIPS-N על יכולות חיזוי.
המחקר כלל זכר הודי מעשן בן 71 שאובחן עם קרצינומה של תאי קשקש ונשא את המוטציה בגן EGFR. מודל ה-AIPS-Nodule זיהה במדויק את התכונות והמיקום של הגוש שזוהה, תוך הקצאת ספיקולציה וכדוריות לכיתה 1. מודלים של AIPS-Mutation שהוכשרו ב-Cohort 1 שימשו לקביעת מצב הגן EGFR של המטופל הזכר, אשר נקבע קלינית כעל מוטציה. כל ששת האלגוריתמים של למידת מכונה חזו את מצב ה-EGFR כמוטציה, והניבו תוצאה 'חיובית אמיתית'.
המחקר הראה כי הדמיית CT בשילוב עם ניתוח גושים ריאתי אוטומטי של AIPS עשוי לחזות נוכחות של גן EGFR ולזהות אנשים עם מוטציות EGFR בצורה חסכונית ולא פולשנית.
מודל AIPS-Nodule יכול לזהות ולתאר קשרי ריאה, בעוד שמודל AIPS-Mutation חזה גנוטיפ EGFR על ידי שילוב ממצאי AIPS-N עם משתנים קליניים. ממצאי המחקר עשויים לסייע לאונקולוגים לתעדף חולים עבור תרופות מותאמות, לשפר את הטיפול בחולים ולשפר את תקני הבריאות העולמיים.
גישת ה-AIPS החדשנית יכולה להועיל למצבים מוגבלים במשאבים ולהוסיף לראיות קודמות על ידי הרחבת היקף חקירת הגושים כך שתכלול אפיון יסודי וקשר עם מוטציית EGFR.
