Eierstockkrebs Kann Durch Blutuntersuchungen, Urintests Und Andere Indikatoren Identifiziert Werden! Das Team Von Liu Jihong Von Der Sun Yat-sen-Universität Übernahm Die Führung Und Vier Große Medizinische Fakultäten Entwickelten Gemeinsam Ein KI-Fusionsmodell

Laut den „Leitlinien zur Diagnose und Behandlung von Eierstockkrebs (Ausgabe 2022)“ der Nationalen Gesundheitskommission liegt die jährliche Inzidenz von Eierstockkrebs in meinem Land an dritter Stelle unter den Tumoren des weiblichen Fortpflanzungssystems, gleich nach Gebärmutterhalskrebs und bösartigen Tumoren der Gebärmutter. Bei den bösartigen Tumoren der weiblichen Geschlechtsorgane ist die Letalitätsrate am höchsten und die 5-Jahres-Überlebensrate hängt eng mit dem Krankheitsstadium zum Zeitpunkt der Diagnose zusammen. Laut den vom National Cancer Institute der Vereinigten Staaten veröffentlichten Daten beträgt die 5-Jahres-Überlebensrate bei Eierstockkrebs im frühen lokalen Infektionsstadium 92,4%, während die 5-Jahres-Überlebensrate im metastasierten Stadium auf 31,5% sinkt.

Die Eierstöcke liegen tief in der Beckenhöhle. Eierstockläsionen weisen im Frühstadium häufig keine spezifischen klinischen Symptome auf. Wenn Symptome auftreten und Patienten ärztliche Hilfe suchen, befinden sich 70%-Patienten bereits im Spätstadium. Daher ist eine frühzeitige Diagnose von Eierstockkrebs von großer Bedeutung.

Kürzlich hat das Team um Professor Liu Jihong von der Abteilung für Gynäkologie am Zentrum für Krebsvorsorge und -behandlung der Sun Yat-sen-Universität in Zusammenarbeit mit der Southern Medical University, dem Tongji-Krankenhaus des Tongji Medical College der Huazhong University of Science and Technology und dem Krankenhaus für Geburtshilfe und Gynäkologie der Zhejiang University School of Medicine eine Studie durchgeführt, um die aktuellen Schwierigkeiten bei der Frühdiagnose von Eierstockkrebs und den Mangel an wirksamen Tumormarkern zu beheben.Zur Diagnose von Eierstockkrebs wurde ein Fusionsmodell mit künstlicher Intelligenz (MCF) entwickelt, mit dem sich das Risiko für Eierstockkrebs durch Eingabe routinemäßiger Labortestdaten und des Alters berechnen lässt.Die entsprechenden Ergebnisse wurden in The Lancet Digital Health veröffentlicht.

Papieradresse:
https://doi.org/10.1016/S2589-7500(23)00245-500245-5/fulltext#%20)
Folgen Sie dem offiziellen Account und antworten Sie mit „Eierstockkrebs“, um das vollständige Dokument zu erhalten.

Forschungshighlights:

* Die Studie sammelte Daten aus drei Krankenhäusern in meinem Land und verwendete ein Multi-Criteria Decision-Making Classification Fusion (MCF)-Framework, um das Modell zu entwickeln

* Das Modell ist bei der Identifizierung von Eierstockkrebs genauer als herkömmliche Biomarker wie CA125 und HE4

* Studie belegt Potenzial kostengünstiger, leicht zugänglicher Routinelabortests als wirksames Diagnoseinstrument für Eierstockkrebs

Zusammenführung von 3 Krankenhäusern, 10.000 Patienten, 98 zugehörigen Untersuchungen und Daten

Die Forscher sammelten zwischen dem 1. Januar 2012 und dem 4. April 2021 Daten vom Krebszentrum der Sun Yat-sen-Universität, dem Tongji-Krankenhaus des Tongji Medical College der Huazhong University of Science and Technology und dem Krankenhaus für Geburtshilfe und Gynäkologie der Zhejiang University School of Medicine.Daten zu 98 Labortests und klinischen Merkmalen von mehr als 10.000 Patienten (Frauen mit Eierstockkrebs und gutartigen Gebärmutteranhangsgebilden/normale körperliche Untersuchung).

Darunter wurden die Daten von Teilnehmern des Tongji Medical College der Huazhong University of Science and Technology (insgesamt 3.007 Personen) als Trainingssatz ausgewählt und an diesem Trainingssatz eine fünffache Kreuzvalidierung durchgeführt. Die beiden externen Validierungssätze stammten vom Frauenkrankenhaus der medizinischen Fakultät der Zhejiang-Universität (5.641 Probanden) und vom Krebszentrum der Sun Yat-sen-Universität (2.344 Probanden).

MCF: Fusion von 20 Basisklassifizierungsmodellen

Für die Studie wurde eine große Zahl von Teilnehmern aus drei verschiedenen Regionen unseres Landes rekrutiert. Das Durchschnittsalter bei der Diagnose von Eierstockkrebs lag in den drei Kohorten bei 51–56 Jahren. Allerdings bringen große Datenmengen auch einige Probleme mit sich. Beispielsweise sind die multizentrischen Daten heterogen, was der Erstellung robuster KI-Modelle nicht förderlich ist, und weisen mehrere Mängel auf, darunter ein erhebliches Ungleichgewicht zwischen der Anzahl der Eierstockkrebspatientinnen und der Kontrollteilnehmerinnen, inkonsistente Einheiten und eine große Anzahl fehlender Werte (48,5% im internen Validierungssatz).

Um diese Datenprobleme zu lösen und die Robustheit des Modells sicherzustellen,Die Forscher haben umfangreiche Datenbereinigungsarbeiten durchgeführt.enthalten:

* Beim Erstellen des Modells wurden 98 Labortestelemente als mögliche Eingabefunktionen aufgelistet. Die verschiedenen Labortestgegenstände jeder Einheit wurden von der Einheit einheitlich gehandhabt.

* Fehlende Daten wurden mit dem MICE-Algorithmus (Multivariate Imputation by Chained Equations) imputiert.

* Um die Unterschiede in der Datenverteilung zwischen den Institutionen zu verringern, wurde der Box-Cox-Algorithmus zum Abgleichen der Daten verwendet und anschließend wurden die Daten mittels Min-Max-Standardisierung normalisiert.

* Um das Problem des Datenungleichgewichts zu lösen, wird eine adaptive umfassende Stichprobenmethode mit einem Ausgleichsverhältnis von 0,5 verwendet.

Darüber hinaus ist das MCF-Framework eine Variante des H-MCF (Hierarchical Prediction Scheme Based on MCF), das das Forschungsteam in früheren Arbeiten vorgeschlagen hat.Die Forscher erstellten 176 grundlegende Klassifizierungsmodelle und kombinierten die Merkmalsauswahlmethode mit dem maschinellen Lernklassifikator. Durch fünffache Kreuzvalidierung wählten sie aus den 176 Modellen die 20 besten grundlegenden Klassifizierungsmodelle aus.Darunter werden im Rahmen des Merkmalsauswahlprozesses die 20 wichtigsten Merkmale ermittelt, die der Klassifikator zur Generierung eines grundlegenden Klassifizierungsmodells verwenden kann.

Anschließend schätzten die Forscher die Gewichtung jedes Modells auf Grundlage der Theorie der multikriteriellen Entscheidungsfindung und führten schließlich ihre Vorhersagen zusammen, um eine konsistente Klassifizierung zu erreichen.

Die Modellleistung ist deutlich höher als bei herkömmlichen Methoden

Die Forscher quantifizierten die Vorhersagegenauigkeit des MCF-Modells anhand von AUC, Genauigkeit, Spezifität, Sensitivität, positivem Vorhersagewert, negativem Vorhersagewert und F1-Score. Die Ergebnisse sind in der folgenden Abbildung dargestellt:

Die Forscher wählten 52 Merkmale (51 Labortestindikatoren und Alter) aus den 20 wichtigsten grundlegenden Klassifizierungsmodellen aus, von denen etwa 901 TP3T-Merkmale signifikant mit dem Risiko von Eierstockkrebs verbunden waren, und erstellten eine ähnliche konsistente Merkmalsrangfolge basierend auf SHAP (Shapley Additiveexplanation, eine Technik zur Bewertung und Erklärung von Modellvorhersagen). Die prädiktiven AUCs einzelner Merkmale lagen zwischen 0,477 (AFP) und 0,886 (CA125) und stimmten im Allgemeinen mit ihren Rangfolgen überein.

In,Zu den 51 Labortestindikatoren gehören Routinebluttests, Urintests, biochemische Tests usw.Beispiele hierfür sind Thrombozyten (PLT), Fibrinogenmessung (FIB), CRP (ein Indikator zur Beurteilung des Entzündungsgrads), ALB (ein Indikator zur Messung des Serumalbuminspiegels), Blutsenkungsgeschwindigkeit (ESR), pH-Wert des Urins usw. Abbildung A unten zeigt die Wichtigkeitsrangfolge der Testindikatoren.

Die AUCs von MCF im internen Validierungssatz und zwei unabhängigen externen Validierungssätzen betrugen 0,949 (95%CI 0,948–0,950), 0,882 (0,880–0,885) bzw. 0,884 (0,882–0,887).

Die Forscher verglichen MCF auch mit herkömmlichen Tumormarkern bei der Erkennung von Eierstockkrebs.Bei allen drei Validierungssätzen zur Unterscheidung von Eierstockkrebs waren AUC, Sensitivität und F1-Score von MCF höher als bei herkömmlichen Tumormarkern.Wie in der folgenden Abbildung dargestellt:

Für die Klassifizierung von fortgeschrittenem Eierstockkrebs und Kontrollgruppen betrug die AUC von MCF im internen Validierungssatz 0,985; Es erreichte 0,972 im ersten externen Validierungssatz und 0,943 im zweiten externen Validierungssatz. Für die Klassifizierung von frühem Eierstockkrebs gegenüber Kontrollen betrug die AUC von MCF 0,879 im internen Validierungssatz, 0,823 im ersten und zweiten externen Validierungssatz bzw. 0,810.

Die Ergebnisse zeigtenDie AUC und Sensitivität des MCF-Modells zur Identifizierung von Patientinnen mit Eierstockkrebs, insbesondere von Patientinnen mit Eierstockkrebs im Frühstadium, waren signifikant höher als die der traditionellen Eierstockkrebsmarker CA125, HE4 und deren Kombination.Darüber hinaus kann das Risiko für Eierstockkrebs auch in einer Bevölkerung, in der einige Indikatoren fehlen, noch immer genau vorhergesagt werden. Dies zeigt, dass das MCF-Modell eine gute Stabilität und gute Kompatibilität mit realen Daten aufweist.

Darüber hinaus ergab diese Studie auch, dass neben Tumormarkern auch andere routinemäßige Labortests wie DD-Dimer und Thrombozytenzahl einen signifikanten Beitrag zur Diagnose und Vorhersage von Eierstockkrebs leisteten, was darauf hindeutet, dass die mit diesen Testindikatoren verbundenen pathophysiologischen Prozesse eine wichtige Rolle bei der Entwicklung von Eierstockkrebs spielen könnten und ihre potenziellen Mechanismen eine weitere Erforschung verdienen.

KI fördert die Entwicklung der primären Gesundheitsversorgung

Laut dem „Statistischen Bulletin zur Entwicklung der Gesundheitsbranche meines Landes im Jahr 2022“ gibt es in meinem Land zwar 979.768 medizinische und gesundheitliche Einrichtungen der Grundversorgung, was 94,851 TP3T der Gesamtzahl der medizinischen und gesundheitlichen Einrichtungen des Landes entspricht, aber gemessen an der Anzahl der Diagnosen und Behandlungen beträgt die Anzahl der Diagnosen und Behandlungen in medizinischen und gesundheitlichen Einrichtungen der Grundversorgung 4,27 Milliarden, was nur 50,71 TP3T der Gesamtzahl der Diagnosen und Behandlungen für das gesamte Jahr entspricht. Es ist ersichtlich, dass die Anzahl der medizinischen Grundversorgungs- und Gesundheitseinrichtungen in meinem Land einen hohen Anteil ausmacht, die Anzahl der Diagnosen und Behandlungen jedoch noch viel Raum für Verbesserungen bietet.

Darüber hinaus haben laut Statistiken des National Cancer Center auf dem Markt für medizinische Krebsdienstleistungen in meinem Land öffentliche Krankenhäuser der tertiären Versorgung mehr als 801.000 Krebsbehandlungen durchgeführt. Die meisten dieser Krankenhäuser der Klasse A liegen in den Provinzhauptstädten, müssen aber gleichzeitig Patienten aus aller Welt aufnehmen. Man kann sich den Druck vorstellen, der auf den Ärzten lastet.

Allerdings hat die ausgereifte Anwendung künstlicher Intelligenz in den letzten Jahren der medizinischen Industrie grenzenlose Fantasie beschert und neue Ideen für die Primärversorgung hervorgebracht. Das in dieser Studie erstellte Eierstockkrebs-Diagnosemodell MCF wurde als Open Source zur Verfügung gestellt. Der Risikowert für Eierstockkrebs kann durch Eingabe der entsprechenden Labortestdaten und des Alters berechnet werden, was zweifellos eine wichtige Unterstützung für die Popularisierung dieses Modells in medizinischen Grundversorgungseinrichtungen darstellt.

Der Einsatz KI-gestützter Diagnosen in Einrichtungen der primären Gesundheitsversorgung ist äußerst wichtig. In den zuvor vom Staatsrat veröffentlichten „Stellungnahmen zur weiteren Vertiefung der Reformen zur Förderung einer gesunden Entwicklung der ländlichen Medizin- und Gesundheitssysteme“ wurde auch die Notwendigkeit erwähnt, die Einführung und Anwendung KI-gestützter Diagnosen in ländlichen Medizin- und Gesundheitseinrichtungen zu beschleunigen.

Der Einsatz künstlicher Intelligenz in Einrichtungen der primären Gesundheitsversorgung kann nicht nur medizinische Informationen in strukturierte Daten umwandeln, die Probleme von „Dateninseln“ und der Datenqualität lösen und den Grundstein für die Vernetzung und den Austausch medizinischer Informationen in der Region legen; Darüber hinaus kann es durch Zusatzberatung, Zusatzdiagnose, Management chronischer Krankheiten und andere Funktionen das Niveau der Primärdiagnose und -behandlung verbessern, die Wahrscheinlichkeit von Fehldiagnosen verringern und mehr Orten eine qualitativ hochwertige Diagnose und Behandlung ermöglichen.

Quellen:

1.https://www.sysu.edu.cn/news/info/2331/1091611.htm