Блог

Nov 02, 2023

Использование искусственного интеллекта с предыдущими исследованиями LDCT улучшает оценку риска образования узелков в легких

3 августа 2023 г. — Алгоритм глубокого обучения, включающий информацию из предыдущих исследований низкодозной КТ (LDCT), более эффективен для оценки трехлетнего риска злокачественного новообразования легочных узлов, чем

3 августа 2023 г. — Исследователи обнаружили, что алгоритм глубокого обучения, включающий информацию из предыдущих исследований низкодозной КТ (LDCT), более эффективен для оценки трехлетнего риска злокачественного новообразования легочных узелков, чем модели, использующие только одно КТ-исследование. .

Результаты исследования подчеркивают, как добавление искусственного интеллекта к данным визуализации может помочь рентгенологам лучше охарактеризовать легочные узелки, обнаруженные при LDCT — задача, которая может быть сложной, по мнению команды под руководством Кирана Венкадеша из Медицинского центра Университета Радбауд в Неймегене, Нидерланды. Исследование группы было опубликовано 1 августа в журнале Radiology.

«[Рентгенологам] сложно выявлять и контролировать потенциально злокачественные узелки», - пишет группа. «Несмотря на наличие руководств по лечению узлов, точная характеристика остается утомительной и зависит от вариативности между читателями и внутри них... Искусственный интеллект с использованием глубокого обучения продемонстрировал многообещающие результаты для точной оценки риска злокачественного новообразования легочных узлов, особенно по сравнению с гистопатологическим анализом». на основе эталонных стандартов».

Рак легких является причиной большинства смертей от рака во всем мире, и ранняя диагностика посредством регулярного скрининга LDCT является ключом к улучшению результатов лечения пациентов, пояснила команда. Но LDCT может выявить доброкачественные узлы в легких, поэтому важно разработать инструменты, которые помогут врачам лучше их охарактеризовать. По мнению Венкадеша и его коллег, алгоритмы искусственного интеллекта в этом отношении многообещающи.

Исследователи оценили эффективность алгоритма глубокого обучения, включающего информацию о предшествующем исследовании LDCT, сравнив эту комбинацию с алгоритмом глубокого обучения плюс одиночным исследованием LDCT и моделью Панканадского исследования раннего выявления рака легких (PanCan) (PanCan — это исследование, в котором используется алгоритм прогнозирования риска для оценки экономической эффективности скрининга рака легких).

Обучающий набор алгоритма глубокого обучения состоял из 10 508 узлов (422 из которых были злокачественными, или 4%) у 4 902 участников исследования; Данные обучающего набора были взяты из Национального исследования по скринингу легких (NLST). Два набора тестов состояли из 129 узлов (43 из которых были злокачественными, или 33%) и 126 узлов (42 из которых были злокачественными, также 33%); Эти данные были получены в ходе датского исследования по скринингу рака легких (DLCST) и многоцентрового итальянского исследования по выявлению рака легких (MILD).

По сообщению команды, алгоритм глубокого обучения, включающий данные предыдущих исследований LDCT, превзошел как алгоритм плюс одиночный тест LDCT, так и модель PanCan.

Исследование вносит ценный вклад в современную литературу, написали в сопроводительном комментарии Кэролин Хорст, доктор философии из Королевского колледжа Лондона в Великобритании, и коллега Мизуки Нисино, доктор медицинских наук из Бригама и Женского онкологического центра в Бостоне.

«Исследование, опубликованное Венкадешем и др., является первым шагом в использовании искусственного интеллекта для продольной визуализации в сфере скрининга рака легких, открывая путь к интеграции искусственного интеллекта и серийной визуализации для достижения улучшенных результатов как для участников, так и для программ скрининга», они написали.

Полное исследование можно найти здесь.