По оценкам, в 2020 году колоректальный рак стал причиной более 53 000 смертей в США, что делает его второй по частоте причиной смерти от рака. Эта смертность, однако, неуклонно снижается, вероятно, из-за лучших программ скрининга рака, таких как колоноскопия. Во время колоноскопии клиницисты иссекают колоректальные полипы и визуально исследуют их на слайдах гистопатологии на предмет неоплазии. Обнаружение рака на ранней, излечимой стадии и удаление преинвазивных аденом или зубчатых повреждений в конечном итоге снижает уровень смертности. Числа и типы найденных полипов могут также указывать на будущий риск возникновения злокачественных новообразований и поэтому используются в качестве основы для скрининга рекомендаций.
Модель искусственного интеллекта (ИИ) для автоматической классификации колоректальных полипов может помочь в программах скрининга рака за счет повышения эффективности, воспроизводимости и точности, а также снижения барьеров доступа к патологическим службам. В новом исследовании, проведенном в Дартмутском и Дартмут-Хичкокском Центре рака хлопка Норриса, группа специалистов в области компьютерных наук и клинических исследований во главе с доктором наук Саидом Хассанпуром подготовила глубокую нейронную сеть именно для этого. Их модель может не только различать четыре основных типа колоректальных полипов на уровне практикующих патологов, как оценивается на основе набора данных по нескольким внешним учреждениям, но также доказывает, что модель, разработанная с использованием данных из одного учреждения, может достичьвысокая точность внешних данных.
Команда обнаружила, что глубокая нейронная сеть, обученная на данных колоректального полипа из Медицинского центра Дартмут-Хичкок, все еще работает с тем же уровнем чувствительности и точности, что и практикующие патологи, когда используется на 238 слайдах, охватывающих 24 различных учреждения в США. Эти результаты, «Оценка глубокой нейронной сети для автоматизированной классификации колоректальных полипов на гистопатологических слайдах», были опубликованы в JAMA Network Open, «Наше исследование одним из первых продемонстрировало глубокую нейронную сеть, которая обобщается на данные из нескольких внешних медицинских центров», – говорит Хассанпур. «Задачей в области глубокого обучения для анализа медицинских изображений является сбор широко распространенных данных. Здесь мы имеем доступ к слайдам по гистопатологии из 24 различных учреждений, что дало нам возможность оценить и показать, что модели ИИ, которые мы обучаем, широко обобщаемы. к новым данным извне. ”
Доступ к мультиинституциональному набору данных стал возможен благодаря сотрудничеству Хассанпура с доктором Arief Suriawinata, MD, и его группой из отделения патологии и лабораторной медицины Медицинского центра Dartmouth-Hitchcock и доктора Elizabeth Barry, Ph.D., из отдела эпидемиологии Медицинской школы Гейзель в Дартмуте, а также ее коллег из клинического испытания по профилактике витамина D / полипа кальция.
Команда Хассанпура создала графический пользовательский интерфейс для отображения классификаций нейронной сети. В настоящее время они работают над клиническим испытанием, чтобы оценить использование их алгоритма для помощи патологам в диагностике колоректальных полипов. «Мы надеемся создать программное приложение, которое поможет патологоанатомам повысить их точность, эффективность и согласованность при диагностике слайдов», – говорит он.