Unter 20.000 Fällen Wurden 31 Fälle Von Fehldiagnosen Festgestellt. Die Alibaba Damo Academy Übernahm Die Führung Bei Der Einführung Von „Plain Scan CT + Großes Modell“ Zur Untersuchung Von Bauchspeicheldrüsenkrebs

Obwohl sich die Medizin rasant weiterentwickelt, haben die Menschen immer noch Angst, wenn sie über das Wort „Krebs“ sprechen. Unter diesen ist Bauchspeicheldrüsenkrebs aufgrund seines versteckten Beginns und der kurzen Überlebenszeit besonders schwer zu behandeln. Wu Zunyou, Chefepidemiologe am chinesischen Zentrum für Krankheitskontrolle und -prävention, und Apple-Gründer Steve Jobs konnten sich den „Klauen“ des Bauchspeicheldrüsenkrebses nicht entziehen. Unter ihnen ist das duktale Adenokarzinom des Pankreas (PDAC), das 95% aller Bauchspeicheldrüsenkrebsfälle ausmacht, eine der tödlichsten Krebsarten unter allen soliden Tumoren und wird als „König der Krebse“ bezeichnet. Laut Daten aus dem Jahr 2020 sind jährlich etwa 466.000 Todesfälle durch PDAC verursacht.

Nach Angaben der Weltgesundheitsorganisation könnten ein Drittel aller Krebserkrankungen durch eine Früherkennung geheilt werden. Allerdings gibt es im Frühstadium nur wenige offensichtliche Anzeichen für Bauchspeicheldrüsenkrebs und die Bauchspeicheldrüse liegt tief im Körper verborgen. Einfache bildgebende Verfahren wie Ultraschalluntersuchungen des Bauchraums und einfache CT-Scans erschweren aufgrund des geringen Bildkontrasts die Erkennung früher Läsionen. Die erweiterte Computertomographie und andere bildgebende Verfahren sind für die groß angelegte Früherkennung von Bauchspeicheldrüsenkrebs nicht geeignet, da sie die Injektion von Kontrastmitteln erfordern, lange Untersuchungszyklen erfordern und teuer sind.

In Bezug auf die Früherkennung und Frühbehandlung von BauchspeicheldrüsenkrebsDie Alibaba DAMO Academy hat in Zusammenarbeit mit in- und ausländischen medizinischen Einrichtungen wie dem Shanghai Institute of Pancreatic Diseases, dem First Affiliated Hospital der Zhejiang University School of Medicine und dem Shengjing Hospital der China Medical University eine auf Deep Learning basierende Bauchspeicheldrüsenkrebserkennung mit künstlicher Intelligenz (PANDA) entwickelt., durch „Plain-Scan-CT + KI“, um ein groß angelegtes Frühscreening von Bauchspeicheldrüsenkrebs durchzuführen. Die Forschungsergebnisse wurden in Nature Medicine veröffentlicht.

Papieradresse

https://www.nature.com/articles/s41591-023-02640-w

Datensatz: Enthält 5 Patientenkohorten

Der Datensatz für diese Studie enthält 5 Patientenkohorten:

* Interne Trainingsdatensatzwarteschlangen zum Erstellen von KI-Modellen;

*Interne Testwarteschlange zur Bewertung der Modellleistung;

*Externe multizentrische Testkohorte zur Bewertung der Generalisierbarkeit des Modells;

* Kohorte von CT-Untersuchungen des Brustkorbs ohne Kontrastmittel, die zur Beurteilung der Generalisierung von CT-Untersuchungen des Brustkorbs verwendet wird;

*Tatsächliche Kohorte zur klinischen Bewertung, die zur Bewertung klinischer Übersetzungsprobleme verwendet wird.

Unter anderem wurde PANDA in der internen Trainingskohorte anhand eines Trainingssatzes von CT-Scans des Abdomens von 3.208 Patienten trainiert, die zwischen Januar 2015 und Oktober 2020 in das Shanghai Institute of Pancreatic Diseases (SIPD) eingeliefert wurden. Die Forscher führten eine zweijährige Nachbeobachtung durch.

Modellarchitektur: Transformator zur Identifizierung von Läsionstypen 

PANDA (Pancreatic Cancer Detection with Artificial Intelligence) besteht aus drei kaskadierten Netzwerkstufen mit schrittweise zunehmender Modellkomplexität und Aufgabenschwierigkeit. Zunächst wird ein Segmentierungsnetzwerk (nnU-Net) zur Lokalisierung der Bauchspeicheldrüse aufgebaut, dann wird ein Convolutional Neural Network (CNN) zur Erkennung abnormaler Läsionen verwendet und schließlich wird ein Dual-Channel-Transformer zur Klassifizierung und Identifizierung der Art der Bauchspeicheldrüsenläsionen eingesetzt.

Da Pankreasläsionen in CT-Scans nur als kleiner Bereich erscheinen, kann die Lokalisierung der Bauchspeicheldrüse im ersten Stadium (Abbildung a) den Prozess der Läsionserkennung beschleunigen und Informationen eliminieren, die nicht mit einer professionellen Ausbildung im Pankreasbereich zusammenhängen. In diesem ZusammenhangDie Forscher verwendeten nnU-Net, ein Framework zur Segmentierung medizinischer Bilder, um die gesamte Bauchspeicheldrüse aus einem CT-Scan ohne Kontrastmittel zu segmentieren.

Die zweite Phase (Abbildung b) dient hauptsächlich der Läsionserkennung.Die Forscher extrahierten mehrstufige Merkmale aus dem Segmentierungsnetzwerk und konstruierten ein faltendes neuronales Netzwerk und einen Klassifizierungskopf, um subtile Texturänderungen bei Pankreasläsionen in der einfachen CT zu unterscheiden.Gleichzeitig passten die Forscher das Modell der zweiten Stufe so an, dass seine Spezifität für die Läsionserkennung bei der Kreuzvalidierung des Trainingssatzes 99% erreichte, wodurch falsch positive Vorhersagen reduziert wurden.

Im dritten Schritt (Abbildung c) geht es vor allem um die Differentialdiagnose von Pankreasläsionen.Wenn in der zweiten Phase eine Anomalie erkannt wird, wird ein zusätzlicher Speichertransformator integriert, um die charakteristischen Prototypen von Pankreasläsionen, wie etwa lokale Textur, Lage und Pankreasform, automatisch zu kodieren und so eine genauere, feinkörnigere Klassifizierung zu ermöglichen.

Experimentelle Überprüfung: Das Modell schneidet etwas besser ab als professionelle Filmleser

Interne Tests

Für die interne Testauswertung wählte das Forschungsteam 291 Patienten des Shanghai Institute of Pancreatic Diseases zur Läsionserkennung aus. Es gab 108 Patienten mit duktalem Adenokarzinom des Pankreas, 67 Patienten mit nicht-pankreatischem duktalen Adenokarzinom und 116 normale Kontrollpersonen.

Der Bereich unter der ROC-Kurve (Receiver Operating Characteristic Curve) von PANDA (AUC) betrug 0,996 (95%-Konfidenzintervall 0,991–1,00), die Sensitivität lag bei 94,9% und die Spezifität bei 100%. Für häufige Subtypen des duktalen Pankreasadenokarzinoms hatte PANDA eine Sensitivität von 97,2% und eine Spezifität von 97,3%. Bei kleineren PDAC (Durchmesser <2 cm) erreichte die Nachweisempfindlichkeit 85,7%.

Externe Tests

Für die externe multizentrische Testauswertung wählten die Forscher 5.337 Patienten aus 9 Zentren auf dem chinesischen Festland, in Taiwan und in der Tschechischen Republik aus. Darunter befanden sich 2.737 Patienten mit duktalem Adenokarzinom des Pankreas, 932 Patienten mit nicht-pankreatischem duktalen Adenokarzinom und 1.668 normale Kontrollpersonen.

Die Ergebnisse zeigten, dass bei Pankreasläsionen der AUC-Wert von PANDA 0,984, die Sensitivität 93,31 TP3T und die Spezifität 98,81 TP3T betrug; Für die PDAC-Untergruppe betrug die Gesamterkennungsrate 96,5%. Bei PDAC mit kleineren Läsionen (Durchmesser < 2 cm, T1) betrug die Sensitivität 92,2%. Insgesamt erreichte die Sensitivität der PDAC-Diagnose 90,1% und die Spezifität 95,7%.

CT-Scan des Brustkorbs

Darüber hinaus überprüften die Forscher auch die Durchführbarkeit des Einsatzes von PANDA zur Erkennung von Pankreasläsionen in der Thorax-CT. Die Forscher sammelten CT-Bilder des Brustkorbs ohne Kontrastmittel von 492 Patienten des Shanghai Institute of Pancreatic Diseases, darunter 63 Patienten mit duktalem Adenokarzinom des Pankreas, 51 Patienten mit nicht-pankreatischem duktalen Adenokarzinom und 378 normale Kontrollpersonen als Testkohorte, unabhängig von den Trainingsdaten.

Ohne Berücksichtigung etwaiger Thorax-CT-Scans hatte PANDA eine Sensitivität von 86,0% und eine Spezifität von 98,9% für die Läsionserkennung. Es ist erwähnenswert, dass gemäß dem detaillierten Thorax-CT-Protokoll einige Pankreasläsionen nicht vollständig gescannt werden können. Die Forscher analysierten die Vollständigkeit der Läsionsuntersuchungen bei der Thorax-CT anhand der Läsionslokalisation bei kontrastmittelverstärkten CT-Scans des Abdomens und stellten fest, dass 67% von Patienten mit duktalem Adenokarzinom des Pankreas und 43% von Patienten mit nicht-pankreatischem duktalen Adenokarzinom unvollständig gescannt wurden. Unter den Patienten, deren Pankreasläsionen im CT-Sichtfeld nicht erfasst wurden, wurden 75%-Fälle von duktalen Pankreasadenokarzinomen erfolgreich durch PANDA erkannt.

Klinischer Anwendungstest

Darüber hinaus führte das Forschungsteam zwei Runden klinischer Anwendungsbewertungen durch, um die Verwendbarkeit von PANDA in tatsächlichen Szenarien weiter zu überprüfen.

In der ersten Runde wurden insgesamt 16.420 Patienten ausgewählt, um die Auswirkungen von PANDA im Hinblick auf die tatsächliche klinische Leistung, Änderungen in den Szenarien der Pflegediagnose und den Nutzen für die Patienten zu bewerten.

Die Ergebnisse zeigten, dass die Gesamtsensitivität von PANDA bei der Läsionserkennung 84,6% und die Spezifität 99,5% betrug; Bei der Identifizierung von duktalen Pankreasadenokarzinomen betrug die Gesamtsensitivität von PANDA 95,5% und die Spezifität 99,9%. Darüber hinaus weist PANDA in den vier Szenarien körperliche Untersuchung, Notfall, ambulante Behandlung und Krankenhausaufenthalt die höchste Sensitivität für die Läsionserkennung bei Krankenhauspatienten auf, nämlich 88,6%, und PANDA weist die höchste Spezifität für die Läsionserkennung bei Patienten auf, nämlich 99,8%.

Vor der zweiten Test- und Auswertungsrunde optimierten die Forscher das Modell, um falsch-positive Ergebnisse zu reduzieren und die Zahl der Krankheitsarten zu erweitern, die zuvor nicht beobachtet worden waren. Durch hartes Beispiel-Mining und inkrementelles Lernen haben die Forscher PANDA auf PANDA-plus aktualisiert und eine zweite Runde klinischer Anwendungsforschung durchgeführt.

Insgesamt wurden 4.110 Patienten in diese Auswertungsrunde einbezogen.PANDA-plus reduzierte die Falsch-Positiv-Rate im Vergleich zu PANDA um mehr als 80,% und die Spezifität für die Erkennung von Pankreasläsionen und duktalen Pankreasadenokarzinomen erreichte 99,9%. Gleichzeitig hat die Nachweisempfindlichkeit von PANDA-plus für akute Pankreatitis 90,0% erreicht.

Und was noch wichtiger ist:In einer klinischen Studie unter realen Bedingungen mit 20.530 Patienten entdeckte PANDA fünf Krebserkrankungen und 26 klinisch übersehene Fälle und ermöglichte die kurative Behandlung eines Patienten mit einem neuroendokrinen Pankreastumor.

Darüber hinaus arbeitete das Forschungsteam auch mit Experten für Pankreasbildgebung, allgemeinen Radiologen und Assistenzärzten für Radiologie zusammen, um tatsächliche Vergleiche der Filmbefunde durchzuführen. Fünfzehn Experten für Pankreasbildgebung interpretierten mehrphasige, verstärkte CT-Scans derselben 291 Patienten, und PANDA schnitt bei nicht verstärkten CT-Scans etwas besser ab als die durchschnittliche Leistung der Expertenleser bei verstärkten CT-Scans.

KI-Medizinlandschaft der DAMO Academy

In einem Interview mit den Medien sagte Lü Le, Leiter des medizinischen KI-Teams der DAMO Academy und IEEE Fellow: „Unsere größte Innovation besteht darin, dass wir zum ersten Mal die Machbarkeit des Einsatzes von KI für das Screening von Bauchspeicheldrüsenkrebs anhand von einfachen CT-Scans bewiesen und eine hohe Leistung erzielt haben, die zuvor als unerreichbar galt.“

Darüber hinaus ist Dr. Cao Kai, einer der Erstautoren des Artikels und Mitarbeiter des Shanghai Institute of Pancreatic Diseases, davon überzeugt, dass „PANDA das Verständnis der Branche für die Bauchspeicheldrüsenkrebsvorsorge erweitern und die Entwicklung klinischer Behandlungsmöglichkeiten fördern wird.“ Dr. Tang Wei, ein weiterer Co-Erstautor aus der Abteilung für radiologische Diagnostik des Krebskrankenhauses der Universität Fudan, sagte: „PANDA schlägt eine potenzielle groß angelegte Screeningmethode für Bauchspeicheldrüsenkrebs vor, die die Erkennungsrate verbessert, ohne den Patienten zusätzliche Strahlung und finanzielle Belastungen zu verursachen.“

Laut Angaben auf der offiziellen Website der DAMO Academy wurde PANDA in Krankenhäusern, bei körperlichen Untersuchungen und in anderen Szenarien über 500.000 Mal aufgerufen, wobei es nur bei einem von 1.000 Malen ein falsch positives Ergebnis gab.

Es besteht kein Zweifel, dass die Kombination aus KI und medizinischen Daten dem Bauchspeicheldrüsenkrebs einen schweren Schlag versetzt, da sie eine frühzeitige Erkennung und Behandlung ermöglicht. Genau dies ist die ursprüngliche Absicht der medizinischen KI. Leser, die mit der DAMO Academy vertraut sind, sollten wissen, dass sich ihr medizinisches KI-Team seit langem der Integrationsforschung von KI und medizinischer Bildgebung widmet. Es wird berichtet, dass sich das medizinische KI-Team der DAMO Academy auf drei Hauptbereiche konzentriert: präzise Krebsdiagnose und -behandlung, präzise Diagnose und Behandlung chronischer Krankheiten sowie Vorabscreening neurodegenerativer Erkrankungen.

Zusätzlich zu PANDA,Im August dieses Jahres schlug die DAMO Academy zusammen mit dem Krebszentrum der Sun Yat-sen-Universität, dem Sichuan-Krebskrankenhaus, dem ersten angeschlossenen Krankenhaus der Zhejiang-Universität, dem Shengjing-Krankenhaus, dem Volkskrankenhaus der Provinz Guangdong und anderen Institutionen ein einheitliches Modell zur Multi-Krebs-Bildanalyse (cancerUniT) vor.Basierend auf der semantischen Segmentierung von Mask Transformer löst es das Problem, dass es zuvor schwierig war, mehrere Tumorbilder einheitlich zu erkennen, zu segmentieren und zu diagnostizieren. Es ist auf acht häufige Krebsarten mit hoher Inzidenz und hoher Letalität (Lungen-, Dickdarm-, Leber-, Magen-, Brust-, Speiseröhren-, Bauchspeicheldrüsen- und Nierenkrebs) sowie auf Tumorsubtypen in verwandten Organen anwendbar.

Zuvor waren von den 100 KI-Patenten, die die DAMO Academy kostenlos zur Verfügung gestellt hat, drei speziell für die Präzisionsbehandlung von Krebs bestimmt und wurden bei der „bildgeführten Strahlentherapie“, der „längsverlaufenden Läsionsquantifizierung“ und der „atlasbasierten Segmentierung und multimodalen Fusion computergestützter Diagnose“ angewendet.

Auch,Im Oktober 2022 schlug die DAMO Academy außerdem gemeinsam mit dem First Affiliated Hospital der Zhejiang University School of Medicine das hierarchische Segmentierungsmodell für Risikoorgane (SOARS) vor.Dieses automatisierte und effiziente Algorithmussystem, SOARS, erstellt ein zweidimensionales hierarchisches Deep-Learning-Framework, um eine genaue Segmentierung von 42 Kopf- und Hals-OARs zu erreichen.

Berichten zufolge arbeitet das medizinische KI-Team der DAMO Academy mit zahlreichen führenden medizinischen Einrichtungen auf der ganzen Welt zusammen, um mithilfe der KI-Technologie neue kostengünstige und effiziente Methoden für das Screening mehrerer Krebsarten zu erforschen. Darüber hinaus wird erwartet, dass dadurch mehr KI-„Schwarztechnologie“ in den medizinischen Bereich gebracht werden kann.

Quellen:1.https://mp.weixin.qq.com/s/WhWnkkAFJjAkqGlMTDEx9w2.https://mp.weixin.qq.com/s/wkNutLLWNHkZByY0QV90pg3.https://mp.weixin.qq.com/s/_qhIW3OB3qnjs83izKvWBg