По оценкам, в 2020 году колоректальный рак стал причиной более 53000 смертей в США, что делает его второй по частоте причиной смерти от рака. Однако этот уровень смертности неуклонно снижается, вероятно, из-за более эффективных программ скрининга рака, таких как колоноскопия. Во время колоноскопии клиницисты иссекают колоректальные полипы и визуально исследуют их на предметных стеклах гистопатологии на предмет новообразований. Обнаружение рака на ранней, излечимой стадии и удаление преинвазивных аденом или зубчатых образований в конечном итоге снижает уровень смертности. Количество и типы обнаруженных полипов также могут указывать на будущий риск злокачественных новообразований и поэтому используются в качестве основы для рекомендаций по скринингу.
Модель искусственного интеллекта (ИИ) для автоматической классификации колоректальных полипов может принести пользу программам скрининга рака за счет повышения эффективности, воспроизводимости и точности, а также снижения барьеров для доступа к патологическим службам. В новом исследовании онкологического центра Норриса Коттона в Дартмуте и Дартмуте-Хичкоке группа компьютерных и клинических исследований под руководством Саида Хассанпура, доктора философии.D., обучил глубокую нейронную сеть делать это. Их модель не только может различать четыре основных типа колоректальных полипов на уровне практикующих патологов, как оценивается на наборе данных в нескольких внешних учреждениях, но также доказывает, что модель, разработанная с использованием данных из одного учреждения, может обеспечить высокую точность внешних данных.
Команда обнаружила, что глубокая нейронная сеть, обученная на данных о колоректальных полипах из Медицинского центра Дартмута-Хичкока, по-прежнему работает с тем же уровнем чувствительности и точности, что и практикующие патологоанатомы, при использовании на 238 слайдах, охватывающих 24 различных учреждения в США. Эти выводы, "Оценка глубокой нейронной сети для автоматической классификации колоректальных полипов на гистопатологических слайдах," были опубликованы в JAMA Network Open. "Наше исследование – одно из первых, в котором показана глубокая нейронная сеть, которую можно обобщить на данные из нескольких внешних медицинских центров," говорит Хассанпур. "Задачей в области глубокого обучения для анализа медицинских изображений является сбор широко распространенных данных. Здесь у нас есть доступ к слайдам гистопатологии из 24 различных учреждений, что дало нам возможность оценить и показать, что модели ИИ, которые мы обучаем, можно широко обобщить на новые данные извне."
Доступ к мультиинституциональному набору данных стал возможным благодаря сотрудничеству Хассанпура с доктором. Ариф Суриавината, доктор медицины, и его группа из отделения патологии & Лабораторная медицина в Медицинском центре Дартмута-Хичкока и доктор. Элизабет Бэрри, Ph.D., от отдела эпидемиологии Медицинской школы Гейзеля в Дартмуте, а также от ее коллег из клинического исследования по профилактике витамина D / полипа кальция.
Команда Хассанпура создала графический пользовательский интерфейс для отображения классификации нейронной сети. В настоящее время они работают над клиническим испытанием, чтобы оценить использование своего алгоритма для помощи патологам в диагностике колоректальных полипов. "Мы надеемся создать программное приложение, которое поможет патологам повысить точность, эффективность и последовательность при диагностике слайдов," он говорит.