2万件中31件の見逃し診断が判明、アリババダモ病院が率先して膵臓がんのスクリーニングに「単純CT+大型モデル」を導入

医学が急速に発展しているにもかかわらず、人々は依然として「がん」について語らずにはいられません。中でも膵臓がんは、その潜伏性の発症と生存期間の短さから特に厄介であり、中国疾病予防管理センターの首席疫学者ウー・ズンヨウ氏とアップルの父スティーブ・ジョブズ氏は膵臓がんの「束縛」から逃れることができていない。癌。中でも、膵臓がんの95%を占める膵管腺がん（PDAC）は、固形がんの中で最も致死率が高いがん種の一つであり、「がんの王様」と呼ばれています。 2020 年のデータによると、PDAC により毎年約 466,000 人が死亡しています。

世界保健機関は、がんの 3 分の 1 は早期発見によって治癒できると提案しています。しかし、膵臓がんは初期段階では明らかな兆候がほとんどなく、腹部超音波検査や単純CTスキャンなどの基本的な画像検査では隠れているため、早期の病変を特定することが困難です。画像のコントラスト。造影CTなどの画像診断は、造影剤の注入や検査周期の長期化、高額な費用が必要なため、大規模な膵臓がんの早期スクリーニングには適していません。

膵臓がんの早期スクリーニングと早期治療の問題に対処するために、アリババDAMOアカデミーは、上海膵臓病研究所、浙江大学医学部第一付属病院、中国医科大学盛京医院、その他国内外の医療機関と提携し、ディープラーニングベースの人工知能による膵臓がん検出を開発した。 （人工知能による膵臓がん検出（PANDA））では、「単純CT＋AI」による大規模膵臓がん早期スクリーニングを実施。研究結果は「Nature Medicine」誌に掲載された。

紙のアドレス

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

データセット: 5 つの患者コホートが含まれています

この研究のデータセットには 5 つの患者コホートが含まれています。

*AI モデルを構築するための内部トレーニング データ セット キュー。

*モデルのパフォーマンスを評価するための内部テスト キュー。

*モデルの一般化可能性を評価するための外部多施設テストコホート。

*胸部CTスキャンに対する一般化を評価するための胸部非造影CT検査コホート。

*臨床翻訳の問題を評価するための実際の臨床評価コホート。

その中で、内部トレーニングコホートでは、PANDAは、2015年1月から2020年10月までに上海膵臓疾患研究所（SIPD）に入院した3,208人の症例から得られた腹部単純CTスキャントレーニングセットでトレーニングを受けました。患者は長期間追跡されました。研究者らによると2年。

モデルのアーキテクチャ: Transformer が病変の種類を識別します 

PANDA (人工知能による膵臓がん検出) は、カスケード接続された 3 つのネットワーク ステージで構成され、モデルの複雑さとタスクの難易度が徐々に増加します。まず、膵臓の位置を特定するためにセグメンテーション ネットワーク (nnU-Net) が構築され、次に畳み込みニューラル ネットワーク (CNN) を使用して異常な病変を検出し、最後にデュアル チャネル トランスフォーマーを使用して膵臓の病変の種類を分類および識別します。 。

第 1 段階 (図 a) では、膵臓病変は CT スキャンで小さな領域としてのみ現れるため、膵臓の位置を特定することで病変の検出プロセスがスピードアップされ、膵臓領域の専門的なトレーニングに無関係な情報が排除されます。この点について、研究者らは、医用画像セグメンテーション フレームワーク nnU-Net を使用して、入力された非造影 CT スキャンから膵臓全体をセグメント化しました。

第 2 段階 (図 b) は主に病変の検出を目的としています。研究者らは、セグメンテーション ネットワークからマルチレベルの特徴を抽出し、非造影 CT における膵臓病変の微妙な質感の変化を区別するための畳み込みニューラル ネットワークと分類ヘッドを構築しました。同時に、研究者らは第 2 段階でモデルを調整し、トレーニング セットの相互検証における病変検出の特異性が 99% に達し、誤検知予測が減少するようにしました。

第 3 段階 (図 c) は主に膵臓病変の鑑別診断に焦点を当てます。第 2 段階で異常が検出された場合は、補助メモリ Transformer が統合され、局所的な質感、位置、膵臓の形状などの膵臓病変の特徴プロトタイプが自動的にエンコードされ、より正確な細粒分類が行われます。

実験による検証: このモデルはプロのリーダーよりもわずかに優れたパフォーマンスを示します

内部テスト

内部試験の評価において、研究チームは病変検出のために上海膵臓疾患研究所から患者291人を選択した。膵管腺癌患者は 108 名、非膵管腺癌患者は 67 名、正常対照者は 116 名でした。

PANDA の受信者動作特性曲線 (ROC 曲線) 下面積 (AUC) は 0.996 (95% 信頼区間は 0.991 ～ 1.00)、感度は 94.9%、特異度は 100% です。一般的な膵管腺癌サブタイプでは、PANDA の感度は 97.2%、特異度は 97.3% でした。より小さい PDAC (直径 <2 cm) の場合、検出感度は 85.7% に達しました。

外部テスト

外部多施設検査評価において、研究者らは中国本土、台湾、チェコ共和国の9施設から5,337人の患者を選択した。このうち、膵管腺癌患者は 2,737 名、非膵管腺癌患者は 932 名、正常対照者は 1,668 名でした。

その結果、膵臓病変の場合、PANDA の AUC 値は 0.984、感度は 93.3%、特異度は 98.8%、PDAC サブグループの場合、全体の検出率は 96.5% でした。病変が小さい PDAC (直径 <2 cm、T1) の場合、感度は 92.2% です。全体として、PDAC 診断の感度は 90.1% に達し、特異度は 95.7% に達しました。

胸部CT検査検査

さらに研究者らは、胸部CTで膵臓病変を検出するためにPANDAを使用する可能性も検証した。研究者らは、訓練検査キューから独立して、上海膵臓疾患研究所の患者492人の非造影胸部CTスキャン画像を収集した。このうち、膵管腺癌患者63人、非膵管腺癌患者51人、正常対照患者378人が含まれる。データの。

胸部CTスキャンを調整しない場合、PANDAの病変検出の感度は86.0%、特異度は98.9%でした。特定の膵臓病変は、詳細な胸部 CT プロトコルに従って完全にスキャンできないことは言及する価値があります。研究者らは、造影腹部CTスキャンの病変位置を参照して胸部CTスキャンの病変スキャンの完全性を分析したところ、膵管腺癌の67%患者と非膵管腺癌の43%患者のスキャンが不完全であることが判明した。 CT スキャンの視野で膵臓病変が捉えられなかった患者のうち、751 人の TP3T 症例の膵管腺癌が PANDA によって検出できました。

臨床応用試験

さらに研究チームは、実際のシナリオにおけるPANDAの有用性をさらに検証するために、2回の臨床応用評価も実施しました。

第1ラウンドでは合計16,420人の患者が選択され、PANDAの実際の臨床成績、看護診断シナリオの変化、患者の利益が評価された。

その結果、病変の検出では、PANDA の合計感度は 84.6%、特異度は 99.5%、膵管腺癌の識別では、PANDA の合計感度は 95.5%、特異度は 99.9% であったことが示されました。また、健康診断、救急、外来、入院の4つのシナリオにおいて、入院患者の病変検出感度はPANDAが88.6%で最も高く、健康診断患者の病変検出特異度はPANDAが99.81と最も高かった。 TP3T。

2 回目の検査評価の前に、研究者らはモデルの最適化を実行して偽陽性を減らし、これまで観察されていなかった疾患のカテゴリーを拡大しました。研究者らは、ハードサンプルマイニングと増分学習を通じて PANDA を PANDA-plus にアップグレードし、第 2 ラウンドの臨床応用研究を実施しました。

その結果、合計 4,110 人の患者がこのラウンドの評価に参加しました。PANDA-plus は、PANDA と比較して偽陽性率を 80% 以上減少させ、膵病変検出および膵管腺癌の特異性は 99.9% に達します。同時に、PANDA-plusの急性膵炎の検出感度も90.0%に達しました。

さらに、20,530 人の患者を対象とした実際の臨床研究で、PANDA は 5 件の癌と 26 件の臨床的に見逃された症例を検出し、膵神経内分泌腫瘍の 1 人の患者に治癒治療をもたらしました。

さらに、研究チームは膵臓画像専門家、一般放射線科医、放射線科研修医と協力して実際の読み取りと比較も実施しました。 15人の膵臓画像専門家が同じ291人の患者の多相造影CTスキャンを読影したところ、非造影CTスキャンにおけるPANDAのパフォーマンスは、造影CTスキャンにおける専門読影者の平均パフォーマンスよりわずかに優れていた。

Damo Academy の AI 医療環境

DAMOアカデミーの医療AIチームの責任者でIEEEフェローのLu Le氏はメディアのインタビューで、「我々の最大のイノベーションは、単純CTでの膵臓がんスクリーニングにAIを使用する実現可能性を初めて確認したことだ」と語った。これまで不可能と思われていた高性能を実現しました。」

さらに、論文の共著者である上海膵臓疾患研究所のCao Kai博士は、「PANDAは膵臓がんスクリーニングに対する業界の理解を広げ、臨床治療の開発を促進するだろう」と信じている。同病院放射線診断科の復丹大学付属腫瘍科のタン・ウェイ医師は、「PANDAは、患者に追加の放射線や経済的負担を与えることなく検出率を高めることができる潜在的な大規模膵臓がんスクリーニング方法を提案した」と述べた。

DAMOアカデミーの公式ウェブサイトのデータによると、PANDAは病院、健康診断、その他のシナリオで50万回以上呼び出されており、誤検知は1,000回に1件しか発生していません。

AIと医療データの組み合わせにより、早期スクリーニングと早期治療が可能になるため、これが膵臓がんにとって大きな打撃となることは間違いありません。そして、これこそが医療 AI の本来の目的です。 DAMO Academy を知っている読者は、その医療 AI チームが AI と医療画像の統合に関する研究に長年取り組んできたことを知っているはずです。レポートによると、DAMO アカデミーの医療 AI チームは、がんの正確な診断と治療、慢性疾患の正確な診断と治療、神経変性疾患の事前スクリーニングという 3 つの主要な方向に焦点を当てています。

パンダの他にも、今年8月、DAMOアカデミーは、中山大学がん予防治療センター、四川がん病院、浙江大学第一附属病院、盛京病院、広東省人民病院などの部門と協力して、統一した一般病院を提案した。複数のがん画像解析用モデル（cancerUniT）、Mask Transformer セマンティック セグメンテーションに基づいて、複数の腫瘍画像の統合検出、セグメンテーション、診断の問題を解決し、主流の 8 つの高発生率および高致死性がん (肺、結腸直腸、肝臓、胃、乳房、食道、膵臓、腎臓）および関連臓器の腫瘍のサブタイプ。

これまで、Damo Academy が無料で一般公開していた 100 件の AI 特許のうち、3 件は正確ながん治療を特にターゲットとしており、「画像誘導放射線治療」、「縦方向の病変の定量化」、「マップベースのセグメンテーション、および複数のコンピューター」に使用されていました。モード融合の支援診断」。

また、2022年10月、DAMOアカデミーはまた、浙江大学医学部第一附属病院と共同で、リスク臓器の階層的セグメンテーションモデル（SOARS）を提案した。この自動化された効率的なアルゴリズム システムである SOARS は、2 次元の階層型深層学習フレームワークを構築して、42 個の頭頸部 OAR の正確なセグメンテーションを実現します。

DAMOアカデミーの医療AIチームは、世界トップクラスの医療機関の多くと協力してAI技術を活用し、新たな低コストで効率的な複数がんスクリーニング方法を模索していると報告されており、より多くのAI「ブラックテクノロジー」をもたらすことが期待されている。 」を医療分野へ。

参考文献:1.https://mp.weixin.qq.com/s/WhWnkkAFJjAkqGlMTDEx9w2.https://mp.weixin.qq.com/s/wkNutLLWNHkZByY0QV90pg3.https://mp.weixin.qq.com/s/_qhIW3OB3qnjs83izKvWBg