Basierend Auf Klinischen Daten Von 627 Patienten in Den USA Und Japan Bestätigt Google Die Wirksamkeit Des KI-gestützten Lungenkrebs-Screenings in Der Bevölkerung

Im Februar 2024 erstellte das Nationale Krebszentrum den Bericht „Krebsinzidenz und -mortalität in China im Jahr 2022“, der auf den neuesten Daten aus der Tumorregistrierung und Nachbeobachtung basiert. Der Bericht zeigt, dass Lungenkrebs in meinem Land nach wie vor die häufigste Ursache für Morbidität und Mortalität durch bösartige Tumore ist.Obwohl die medizinische Gemeinschaft dem Lungenkrebs zunehmende Aufmerksamkeit schenkt, gibt es bei der Diagnose und Behandlung von Lungenkrebs noch immer viele klinische Probleme, wie etwa eine verzögerte Diagnose und Überbehandlung.Im letzten Jahrzehnt hat die KI die technologische Entwicklung mit beispielloser Geschwindigkeit vorangetrieben. Dies ist auf die Verbesserung der Algorithmen, die Steigerung der Rechenleistung, die Ausweitung der verfügbaren Daten und die deutliche Ausweitung des Anwendungsspektrums zurückzuführen.

Als einer der weltweit fortschrittlichsten Technologiegiganten im Bereich der KI-Forschung und -Entwicklung hat Google große Erfolge bei der Erforschung von KI und medizinischen Anwendungen erzielt. Kürzlich untersuchten Atilla Kiraly, Softwareentwickler bei Google Research, und Rory Pilgrim, Produktmanager bei Google Research, wie Modelle des maschinellen Lernens Radiologen ihre Ergebnisse effektiv mitteilen können.Ziel ist die Bewertung der Auswirkungen allgemeiner, auf künstlicher Intelligenz basierender Systeme auf die Arbeitsabläufe beim Lungenkrebs-Screening (LCS) in bestimmten Arbeitsablaufeinstellungen, mit bestimmten Geräten sowie länderspezifischen Richtlinien und Bewertungs-/Managementprotokollen.Die Forschungsarbeit wurde in der Zeitschrift Radiology AI veröffentlicht.

Forschungshighlights:

* Entwicklung und Optimierung eines KI-gestützten Lungenkrebs-Screening-Workflows und dessen Tests in den USA und Japan
* Mit Hilfe künstlicher Intelligenz kann die Spezifität um 5%-7% erhöht werden, ohne dass die Sensitivität signifikant abnimmt
* Mithilfe künstlicher Intelligenz kann die durchschnittliche Screeningzeit für jeden Fall um 14 Sekunden reduziert und die Diagnosesicherheit des Arztes erheblich gesteigert werden

Papieradresse:
https://doi.org/10.1148/ryai.230079
Folgen Sie dem offiziellen Konto und antworten Sie mit „Google Lungenkrebs“, um das vollständige PDF zu erhalten

Studienumfang: Screening mit künstlicher Intelligenz, eine retrospektive multinationale Studie in den USA und Japan

Die Studie verwendete fünf unabhängige Datensätze (DS_CA, DS_NLST, DS_US, DS_JPN) und analysierte insgesamt 627 Fälle von Niedrigdosis-Thorax-CT (darunter 141 krebspositive Fälle) in den Vereinigten Staaten und Japan.An der US-Studie nahmen 330 Patienten teil, darunter 191 Männer und 139 Frauen mit einem Durchschnittsalter von 63 Jahren. An der japanischen Studie nahmen 297 Patienten teil, darunter 217 Männer und 80 Frauen, mit einem Durchschnittsalter von 58 Jahren. Als positive Fälle galten Fälle mit pathologisch bestätigtem Lungenkrebs innerhalb von zwei Jahren, und als negative Fälle galten Fälle, bei denen innerhalb von mindestens zwei Jahren keine bestätigte Krebsdiagnose vorlag.

gleichzeitig,An der Studie nahmen außerdem sechs in den USA und Japan zugelassene Thoraxradiologen mit Erfahrung in der Auswertung von CT-Thoraxuntersuchungen teil.Im Rahmen der Studie wurden die CT-Scans aller Fälle einmal von 12 Ärzten mit und ohne KI-Unterstützung überprüft, was zu insgesamt 7.254 Interpretationen führte. Als länderspezifische Bewertungssysteme verwendeten Radiologen aus den USA den Lung-Rads-Score (Version 1.1) aus den Richtlinien des American College of Radiology und Radiologen aus Japan das Sendai-Bewertungssystem.

Von den 141 Krebsfällen stammten 124 aus den USA und 17 aus Japan. Darunter zeigte die Knotensituation der positiven Fälle in den Vereinigten Staaten, dass es 69 feste Knoten (56%), 15 teilweise feste Knoten (12%), 20 nicht feste Knoten (15%) und 29 nicht klassifizierte Knoten (23%) gab.

Ebenso handelte es sich bei 6 (35%) der positiven Fälle in Japan um feste Knötchen, 6 (35%) um teilweise feste Knötchen und 5 (29%) um nicht feste Knötchen. Auch bei den krebsnegativen Fällen wurde die Anzahl der Knoten unterschiedlicher Größe so gewählt, dass der Anteil der Vorerkrankungen dem Anteil der Krebsfälle entsprach.

Modellanalyse: Basierend auf der Verbesserung bestehender Modelle werden die statistischen Analysefunktionen erheblich verbessert

Der erste Schritt der Forschung bestand darin, ein zuvor entwickeltes maschinelles Lernmodell mit zusätzlichen Trainingsdaten und einer zusätzlichen Architektur zu verbessern.

Das Lungenkrebs-Zusatzscreeningsystem besteht aus 13 aufeinander abgestimmten Modellen. Zunächst wird die Lunge segmentiert, um eine Gesamtbeurteilung zu erhalten und drei verdächtige Bereiche zu lokalisieren. Anhand dieser Informationen wird den einzelnen Bereichen dann eine Verdachtsbewertung zugewiesen. Das System verwendet die in Google Cloud bereitgestellte Google Kubernetes Engine (GKE), um Bilder aufzunehmen, Modelle für maschinelles Lernen auszuführen und Ergebnisse bereitzustellen.

Einfach ausgedrückt liefert das System eine Verdachtsbewertung und einen ROI (Region of Interest), damit Ärzte Entscheidungen auf Grundlage der Bewertungsrichtlinien in ihrer Region treffen können.

Im zweiten Schritt verwendeten die Forscher drei Datensätze, DS_CA, DS_US und DS_NLST, um das Modell zu entwickeln und zu trainieren.

Trainingsset:

* DS_CA sind Daten eines kanadischen Krankenhaussystems, die aus diagnostischen CT-Untersuchungen von 2010 bis 2017 bestehen und zum Trainieren des endgültigen Klassifizierungsmodells verwendet werden.

* Für zusätzliches Training wurde eine Nicht-Screening-CT von DS_US-Patienten verwendet.

* DS_NLST bestand aus 26.722 Patienten und eine durch zufällige Aufteilung auf Patientenebene gewonnene Teilmenge wurde zur Entwicklung des KI-Systems verwendet.
Testset:

* Der erste Testdatensatz ist 15%, zufällig aufgeteilt aus der Gesamtheit der Fälle von DS_NLST.

* Der zweite Testdatensatz untersuchte CT-Fälle aus DS_US, einem Datensatz eines Krankenhaussystems in Illinois, USA, und trennte 1.1792 nicht identifizierte Fälle von 5.055 Patienten.

* Der dritte Datensatz DS_JPN stammt vom Sendai Kousei Hospital, Japan, und besteht aus 301 Patienten, die zwischen 2006 und 2018 einem LDCT-Screening unterzogen wurden.

Um die Fähigkeit des KI-Systems zu verbessern, Krebs im Frühstadium zu erkennen, wurden in die Studie krebspositive Fälle cancer_in_2 bis zu zwei Jahre vor der Diagnose einbezogen. In „cancer_in_2“ wurden alle negativen Fälle mindestens zwei Jahre lang nachverfolgt, um sicherzustellen, dass kein Krebs bestätigt wurde. Alle positiven Fälle wurden innerhalb von zwei Jahren durch bildgebende Verfahren diagnostiziert.

Das Hauptziel dieser Studie bestand darin, Sensitivität und Spezifität zu berechnen. Dazu wurden die von Ärzten ermittelten Werte für den Verdachtsgrad (LoS) bei Krebs integriert, alle möglichen numerischen Schwellenwerte überprüft, ROC-Kurven für LoS abgeleitet und die AUC berechnet. Sekundäre Ziele waren die Untersuchung der Sensitivität/Spezifität der Verwendung lokaler Bewertungssysteme und Entscheidungsschwellenwerte für das Fallmanagement durch Ärzte, die auf der Grundlage eines binären Schwellenwerts für die Dringlichkeit berechnet wurden.

So gilt beispielsweise eine „6-Monats-Kontroll-CT“ als weniger dringlich als eine „3-Monats-Kontroll-CT“, die wiederum weniger dringlich ist als ein „Verdacht auf eine maligne Erkrankung“. In ähnlicher Weise wurde in dieser Studie auch die gleiche Analyse für die Reaktion des Bewertungssystems und der KI-Systemreaktion durchgeführt und die AUC-Unterschiede mithilfe der ORH-Analyse verglichen.

In den Ergebnissen zeigte ein P-Wert < 0,05 an, dass der AUC-Unterschiedsvergleich statistisch signifikant war, und ein P-Wert < 0,0125 bzw. < 0,01 zeigte eine statistische Signifikanz nach der Bonferroni-Korrektur an.

Studienergebnisse: KI ist effektiv, kann aber dennoch Läsionen übersehen

Studien in den USA und Japan zeigen,Im Vergleich zu Ansätzen ohne Unterstützung erhöhte die KI-Unterstützung die Sensibilität aller Ärzte in Bezug auf Bewertungssysteme und Fallmanagementoptionen.Unter anderem zeigten Fallstudien in den USA und Japan, dass sich sowohl LoS als auch AUC um 0,023 verbesserten und dass mithilfe künstlicher Intelligenz eine höhere Sensitivität und Spezifität bei allen Lung-RADS-Werten erreicht wurde.

Die Sensitivitäts- und Spezifitätswerte waren in allen Fallmanagementkategorien mit KI-Unterstützung höher.Die KI-gestützte Spezifität der amerikanischen und japanischen Fälle stieg um 5,51 TP3T bzw. 6,71 TP3T.Allerdings verringerte sich die Spezifität der Biopsieempfehlung bei positivem Screening um 1,1%.

Die Studie konzentrierte sich auch auf die Analyse der Patientenpopulation im US-amerikanischen National Lung Cancer Screening Trial und die Ergebnisse zeigten, dass die Spezifität immer noch um 3,4% verbessert wurde. Die Ergebnisse der japanischen Fallstudie zeigten auch, dass mit Hilfe künstlicher IntelligenzDurchschnittlich kann die Screeningzeit pro Fall um 14 Sekunden verkürzt werden.Und es erhöht die Diagnosesicherheit des Arztes erheblich.

In Bezug auf die Hilfspositionierung markierte das KI-System in Studien in den USA und Japan die Knoten, die die meiste Aufmerksamkeit in den Krebsfällen 89% und 75% verdienten. In anderen Fällen übersah die KI jedoch möglicherweise einige Knoten, die die meiste Aufmerksamkeit verdienten.

In einem Fall beispielsweise markierte ein Arzt den Fall als verdächtig und das KI-System markierte ihn als negativ. Ein weiterer Vergleich identifizierte kleinere subsolide Knoten, bei denen trotz mindestens zweijähriger negativer Nachuntersuchung kein Krebs diagnostiziert worden war. Bei weiterer radiologischer Untersuchung stellte sich heraus, dass es sich um minimalinvasive Adenokarzinome handelte, die weiter beobachtet werden.

Abschließend,Das System zeigte in einer retrospektiven Studie in zwei Ländern, PACS-Systemen und Patientenpopulationen seine Wirksamkeit.Denn die KI-gestützte Interpretation anspruchsvoller Lungenkrebs-Screening-Fälle reduziert unnötige Folgeuntersuchungen und hat das Potenzial, den übermäßigen Einsatz von Folgebildgebung zu verringern, häufige Lungenbiopsien zu vermeiden und das Gesundheitssystem zu entlasten.

Googles Lungenkrebsforschung geht weiter

Tatsächlich blickt Google auf eine lange Geschichte der Lungenkrebsforschung zurück.

Bereits am 7. Mai 2019 gab Google auf der Entwicklerkonferenz 2019 bekannt, dass seine künstliche Intelligenztechnologie Lungenkrebs ein Jahr früher erkennen kann als Ärzte, wodurch sich die Überlebenschancen der Patienten um 40% erhöhen. Google wird außerdem daran arbeiten, diese Technologien in praktische medizinische Lösungen umzusetzen, um die Behandlung und Prognose von Lungenkrebspatienten zu verbessern.

Etwas mehr als zehn Tage nach dem Ende der Developer Conference 2019 arbeitete der Google-KI-Forscher Daniel Tse mit Forschern aus Stanford, der New York University und anderen Institutionen zusammen, um ihr neuestes Deep-Learning-Modell in der Zeitschrift Nature Medicine zu veröffentlichen. Tests zeigten, dass das KI-Programm bei der Beurteilung menschlicher Krankheiten eine Genauigkeitsrate von 94% aufwies, was besser war als die der sechs am Test teilnehmenden Radiologen, und diese menschlichen Ärzte verfügten über etwa 8 Jahre klinische Erfahrung.

Seitdem hat Google seine Forschung zum Thema Lungenkrebs nicht eingestellt. Basierend auf der kontinuierlichen Weiterentwicklung des oben genannten maschinellen Lernmodells hat Google die Wirksamkeit des Modells nun endlich in mehreren Ländern, mit mehreren Experten und mehreren Patienten weiter verifiziert. Dies könnte auch bedeuten, dass sich die tatsächliche Anwendung künstlicher Intelligenz im Bereich Lungenkrebs beschleunigen wird und der Menschheit in naher Zukunft wirklich zugute kommen wird.