در مطالعه حاضر، محققان یک ابزار مشابه با کمک کامپیوتر (CAD) را آزمایش و تایید کردند که CNN را برای تقسیم‌بندی پانکراس بر روی تصاویر CT در اختیار داشت. علاوه بر این، این ابزار دارای یک طبقه‌بندی گروهی با پنج CNN طبقه‌بندی مستقل برای پیش‌بینی وجود سرطان پانکراس بود. آنها تمام سی تی اسکن های تجزیه و تحلیل شده در فاز ورید پورتال را 70 تا 80 ثانیه پس از تزریق داخل وریدی ماده حاجب به دست آوردند.
محققان در یکی از کارهای قبلی خود نشان دادند که یک شبکه عصبی کانولوشنال مبتنی بر DL (CNN) می تواند سرطان پانکراس را از پانکراس غیر سرطانی به طور دقیق تشخیص دهد.
در مورد مطالعه
علاوه بر این، ابزار برای استقرار بالینی امکان پذیر به نظر می رسد زیرا اطلاعات کافی برای کمک به پزشکان ارائه می دهد. مشخص کرد که آیا تصاویر سرطان پانکراس را نشان می‌دهند یا خیر. همچنین، محل احتمالی تومور را برای کمک به رادیولوژیست ها برای تفسیر سریع نتایج نشان داد. قابل ذکر است، در حدود 90 درصد از سرطان های پانکراس که به طور دقیق توسط ابزار CAD شناسایی شده اند، CNN های تقسیم بندی به درستی محل تومور را مشخص می کنند. علاوه بر این، ابزار CAD LR مثبت را ارائه کرد، معیاری برای اطمینان از طبقه‌بندی سرطان پانکراس در مقابل سرطان غیر پانکراس برای اطلاع‌رسانی بهتر فرآیند تشخیصی-درمانی بعدی نسبت به یک طبقه‌بندی باینری ساده.
در مطالعه اخیر منتشر شده در مجله رادیولوژیمحققان در تایوان یک ابزار تشخیص به کمک رایانه (CAD) مبتنی بر یادگیری عمیق (DL) را برای تشخیص سرطان پانکراس در اسکن‌های سی تی اسکن شکم با کنتراست توسعه دادند.
در مجموعه تست داخلی، حساسیت و ویژگی ابزار CAD برای تمایز بین بدخیمی‌های CT و مطالعات کنترل به ترتیب 89.7% و 92.8% بود، با حساسیت نزدیک به 75% برای سرطان‌های پانکراس کوچکتر از 2 سانتی‌متر. به طور کلی، استحکام و قابلیت تعمیم بالایی را نشان داد. به طور شگفت انگیزی، حساسیت ابزار CAD با حضور در رادیولوژیست های یک موسسه دانشگاهی عالی با حجم زیادی از بیماران سرطان پانکراس (90.2٪ در مقابل 96.1٪) قابل مقایسه بود، که نشان می دهد این ابزار ممکن است حساسیت بالاتری نسبت به رادیولوژیست های کم تجربه داشته باشد. ممکن است به کاهش میزان عدم موفقیت ناشی از تفاوت در تخصص رادیولوژیست کمک کند.
بیماران مبتلا به سرطان پانکراس کمترین میزان بقای پنج ساله را دارند. پیش بینی ها نشان می دهد که تا سال 2030 به عنوان دومین عامل اصلی مرگ و میر ناشی از سرطان در ایالات متحده ظاهر خواهد شد. علاوه بر این، پیش آگهی سرطان لوزالمعده هنگامی که تومور برجسته تر از 2 سانتی متر رشد کرد، به سرعت بدتر می شود، بنابراین، تشخیص زودهنگام ضروری است.
مطالعه: تشخیص سرطان پانکراس در سی تی اسکن با یادگیری عمیق: یک مطالعه مبتنی بر جمعیت در سراسر کشور. اعتبار تصویر: Suttha Burawank / Shutterstock
زمینه
محققان عملکرد بخش‌بندی CNN را با نمره دایس به ازای هر بیمار ارزیابی کردند. به همین ترتیب، آنها عملکرد CNN های طبقه بندی را بر اساس حساسیت، ویژگی و دقت مربوطه آنها ارزیابی کردند. تیم منطقه زیر منحنی مشخصه عملکرد گیرنده (AUC) و LR را محاسبه کردند. در نهایت، آنها از آزمون مک نمار برای مقایسه حساسیت های ابزار CAD و تفسیر رادیولوژیست استفاده کردند.
یافته های مطالعه
علائم ثانویه در بخش غیر توموری پانکراس، از جمله گشاد شدن مجرای پانکراس، آتروفی پارانشیم پانکراس بالادست، و قطع ناگهانی مجرای پانکراس، سرنخ هایی برای سرطان های مخفی پانکراس هستند. یک ابزار تشخیصی خوب باید بتواند از این علائم در فرآیند تشخیص استفاده کند. در مطالعه حاضر، CNN های طبقه بندی به درستی دو مورد سرطان لوزالمعده را با تجزیه و تحلیل بخش غیر توموری پانکراس تنها با یادگیری علائم ثانویه سرطان لوزالمعده به طور خود به خود از نمونه ها طبقه بندی کردند.
نتیجه گیری
محققان ثبت گواهی بیماری عمده بیمه سلامت ملی (NHI) را برای بازیابی مطالعات CT بر روی 669 بیمار مبتلا به سرطان لوزالمعده تازه تشخیص داده شده بین ژانویه 2018 تا ژوئیه 2019 جستجو کردند. به همین ترتیب، آنها مطالعات سی تی 72 اهداکننده کلیه و کبد را در همین مدت استخراج کردند. زمان از پایگاه داده NHI، که گروه کنترل را تشکیل داد. آنها بیشتر این دو را با مطالعات CT روی 732 فرد کنترل از آرشیو تصویربرداری مرکز ارجاع سوم پایگاه داده NHI ترکیب کردند تا مجموعه داده آزمون سراسری مطالعه فعلی را ایجاد کنند.
مجموعه داده‌های آموزشی و اعتبارسنجی و مجموعه داده‌های آزمون محلی و سراسری در این مطالعه استفاده شد. این تیم به طور تصادفی بیماران سرطان پانکراس را در نسبت 8:2 به ترتیب به مجموعه آموزش و اعتبار سنجی و مجموعه تست محلی تقسیم کردند. آنها به طور آینده نگر مطالعات سی تی 546 بیمار مبتلا به سرطان لوزالمعده را که بین ژانویه 2006 و ژوئیه 2018 تشخیص داده شده بودند، از اقدامات بالینی در تایوان، که مجموعه داده های محلی آنها را تشکیل می داد، جمع آوری کردند. این بیماران 18 سال یا بیشتر با آدنوکارسینوم پانکراس تایید شده با یافته های ثبت شده در ثبت ملی سرطان بودند. گروه کنترل برای مجموعه داده های محلی شامل مطالعات CT از 1465 فرد با پانکراس طبیعی بود که بین ژانویه 2004 و دسامبر 2019 جمع آوری شد.
در نهایت، این تیم پنج CNN طبقه‌بندی شده را بر روی سایر زیرمجموعه‌های مجموعه‌های آموزشی و اعتبار سنجی بازیابی شده از مرکز ارجاع سوم پایگاه‌داده NIH، که مطالعات CT روی 437 بیمار سرطان پانکراس و 586 کنترل داشت، آموزش دادند. تنها زمانی که تعداد CNNهای پیش‌بینی‌کننده مثبت مساوی یا بزرگ‌تر از کوچک‌ترین عدد بود که نسبت احتمال مثبت (LR) بیشتر از یک را در اعتبارسنجی به دست می‌داد، محققان در نظر گرفتند که CT سرطان پانکراس را نشان می‌دهد.
ابزار جدید CAD مورد استفاده در مطالعه حاضر، پتانسیل تکمیل رادیولوژیست ها را برای تشخیص زودهنگام و دقیق سرطان پانکراس در سی تی اسکن نشان داد. با این حال، این یافته که CNN های طبقه بندی ممکن است علائم ثانویه سرطان لوزالمعده را آموخته باشند، نیاز به بررسی بیشتر دارد. به همین ترتیب، مطالعات آینده باید عملکرد این ابزار CAD را در جمعیت‌هایی غیر از آسیایی‌ها (و تایوانی‌ها) برای جمع‌آوری داده‌هایی که از تعمیم‌پذیری آن پشتیبانی می‌کنند، آزمایش کنند.
- تشخیص سرطان لوزالمعده در سی تی اسکن با یادگیری عمیق: یک مطالعه مبتنی بر جمعیت در سراسر کشور، پو-تینگ چن، تینهوی وو، پوچوان وانگ، داوی چانگ، کائو-لانگ لیو، مینگ-شیانگ وو، هولگر آر راث، پو چانگ لی ، وی-چیه لیائو، ویچونگ وانگ، رادیولوژی 2022، DOI: https://doi.org/10.1148/radiol.220152، https://pubs.rsna.org/doi/10.1148/radiol.220152
در حال حاضر، تشخیص سرطان پانکراس از طریق CT تقریباً 40٪ از تومورهای کمتر از 2 سانتی متر را از دست می دهد و همچنین به دلیل تفاوت در تخصص رادیولوژیست با مشکل مواجه می شود. در واقع، نیاز فوری پزشکی برآورده نشده به ابزارهایی وجود دارد که می تواند رادیولوژیست ها را به صورت دستی تجزیه و تحلیل بخش بندی پانکراس برای بهبود حساسیت تشخیص سرطان لوزالمعده تقویت کند. علاوه بر این، در بیماران مبتلا به سرطان پانکراس، تقسیم بندی یا شناسایی پانکراس چالش برانگیز است زیرا اندازه و شکل آن متفاوت است و با اندام ها و ساختارهای متعدد دیگر هم مرز است.