В недавнем исследовании, опубликованном в журнале Radiology , исследователи из Тайваня разработали инструмент компьютерного обнаружения (CAD) на основе глубокого обучения (DL) для обнаружения рака поджелудочной железы на компьютерной томографии (КТ) брюшной полости с контрастным усилением.

Исследование: Обнаружение рака поджелудочной железы на компьютерной томографии с глубоким обучением: общенациональное популяционное исследование . Изображение предоставлено: Suttha Burawonk / Shutterstock

Фон

Больные раком поджелудочной железы имеют самую низкую пятилетнюю выживаемость; прогнозы показывают, что к 2030 году он станет второй по значимости причиной смерти от рака в Соединенных Штатах. Кроме того, прогноз рака поджелудочной железы быстро ухудшается, когда опухоль становится более заметной, чем 2 см, что требует раннего выявления.

В настоящее время диагностика рака поджелудочной железы с помощью КТ пропускает почти 40% опухолей размером менее 2 см, а также затруднена из-за различий в квалификации рентгенологов. Действительно, существует острая неудовлетворенная медицинская потребность в инструментах, которые могли бы позволить радиологам вручную анализировать сегментацию поджелудочной железы, чтобы повысить чувствительность обнаружения рака поджелудочной железы. Более того, у пациентов с раком поджелудочной железы сегментация или идентификация поджелудочной железы затруднены, поскольку она различается по размеру и форме и граничит с множеством других органов и структур.

В одной из своих предыдущих работ исследователи продемонстрировали, что сверточная нейронная сеть (CNN) на основе DL может точно отличить рак поджелудочной железы от доброкачественной поджелудочной железы.

Об исследовании

В настоящем исследовании исследователи протестировали и подтвердили аналогичный инструмент компьютерного обнаружения (CAD), который содержал CNN для сегментации поджелудочной железы на КТ-изображениях. Кроме того, этот инструмент имел ансамблевый классификатор с пятью независимыми классификационными CNN для прогнозирования наличия рака поджелудочной железы. Они получили все проанализированные компьютерные томограммы в портальной венозной фазе через 70–80 секунд после внутривенного введения контрастного вещества.

В исследовании использовались наборы данных для обучения и проверки, а также местные и общенациональные тестовые наборы данных. Группа случайным образом разделила пациентов с раком поджелудочной железы в соотношении 8:2 на обучающую и проверочную выборки и локальную тестовую выборку соответственно. Они проспективно собрали КТ-исследования 546 пациентов с раком поджелудочной железы, диагностированных в период с января 2006 года по июль 2018 года в клинической практике на Тайване, которые сформировали их локальный набор данных. Эти пациенты были в возрасте 18 лет и старше с подтвержденной аденокарциномой поджелудочной железы с данными, зарегистрированными в национальном регистре рака. Контрольная группа для локального набора данных включала КТ-исследования 1465 человек с нормальной поджелудочной железой, собранные в период с января 2004 года по декабрь 2019 года. 

Исследователи провели поиск в реестре справки о серьезных заболеваниях Национального медицинского страхования (NHI), чтобы найти КТ-исследования 669 пациентов с впервые диагностированным раком поджелудочной железы в период с января 2018 года по июль 2019 года. Кроме того, они извлекли КТ-исследования 72 доноров почек и печени в течение того же периода. время из базы данных NHI, которые сформировали контрольную группу. Затем они объединили эти два исследования с КТ-исследованиями 732 контрольных субъектов из архива изображений третичного реферального центра базы данных NHI, чтобы создать общенациональный тестовый набор данных текущего исследования.

Наконец, команда обучила пять классификационных CNN на других подмножествах обучающих и проверочных наборов, полученных из третичного справочного центра базы данных NIH, в которой были проведены КТ-исследования 437 пациентов с раком поджелудочной железы и 586 контрольных пациентов. Только когда количество CNN с положительным прогнозом было равно или больше, чем наименьшее число, дающее положительное отношение правдоподобия (LR), превышающее единицу при проверке, исследователи считали, что КТ показала рак поджелудочной железы.

Исследователи оценили эффективность сегментации CNN с помощью шкалы Dice для каждого пациента. Точно так же они оценили эффективность классификационных CNN на основе их соответствующей чувствительности, специфичности и точности. Команда рассчитала площадь под кривой рабочих характеристик приемника (AUC) и LR. Наконец, они использовали тест McNemar для сравнения чувствительности инструмента CAD и интерпретации рентгенолога.

Результаты исследования

Во внутреннем наборе тестов чувствительность и специфичность инструмента CAD для различения злокачественных новообразований КТ и контрольных исследований составляли 89,7% и 92,8% соответственно, при почти 75% чувствительности для рака поджелудочной железы размером менее 2 см. В целом, он продемонстрировал высокую надежность и обобщаемость. Интересно, что чувствительность инструмента CAD была сравнима с чувствительностью рентгенологов высшего учебного заведения с большим количеством пациентов с раком поджелудочной железы (90,2% против 96,1%), что указывает на то, что этот инструмент может иметь более высокую чувствительность, чем менее опытные рентгенологи. Это может помочь снизить процент промахов, связанных с несоответствием опыта рентгенологов.

Кроме того, инструмент оказался подходящим для клинического применения, поскольку он предоставляет достаточно информации для помощи клиницистам. Он определил, показали ли изображения рак поджелудочной железы. Кроме того, было указано возможное местонахождение опухоли, чтобы помочь радиологам быстро интерпретировать результаты. Примечательно, что примерно в 90% случаев рака поджелудочной железы, точно идентифицированных с помощью инструмента CAD, CNN сегментации правильно определяют местоположение опухоли. Кроме того, инструмент CAD обеспечил положительный LR, меру достоверности классификации рака поджелудочной железы по сравнению с раком, не относящимся к поджелудочной железе, чтобы лучше информировать последующий диагностический и терапевтический процесс, чем простая бинарная классификация.

Вторичные признаки в неопухолевой части поджелудочной железы, включая дилатацию протока поджелудочной железы, атрофию паренхимы вышестоящей поджелудочной железы и резкое отсечение протока поджелудочной железы, являются ключом к скрытому раку поджелудочной железы. Хороший диагностический инструмент должен уметь использовать эти признаки в процессе обнаружения. В текущем исследовании классификационные CNN правильно классифицировали два случая рака поджелудочной железы, анализируя неопухолевую часть поджелудочной железы только путем спонтанного изучения вторичных признаков рака поджелудочной железы на примерах.

Выводы

Новый инструмент САПР, использованный в текущем исследовании, показал, что он может помочь рентгенологам в раннем и точном выявлении рака поджелудочной железы на компьютерной томографии. Однако вывод о том, что классификационные CNN могли узнать о вторичных признаках рака поджелудочной железы, требует дальнейшего изучения. Аналогичным образом, будущие исследования должны проверить эффективность этого инструмента САПР в популяциях, отличных от азиатов (и тайваньцев), для сбора данных, подтверждающих его обобщаемость.