Dans une étude récente publiée dans Nature Medicine, les chercheurs ont développé une approche d'apprentissage en profondeur pour la différenciation de l'origine des tumeurs à l'aide de l'histologie cytologique (TORCH), reconnaissant la malignité et prédisant l'origine de la tumeur dans l'hydrothorax et l'ascite à l'aide d'images cytologiques de 57 220 patients.
Étude: IA d’images médicales transparentes via un modèle de base image-texte fondé sur la littérature médicale. Crédit d’image : métamorworks/Shutterstock.com
Sommaire
Arrière-plan
Les cancers de siège primitif inconnu (CUP) sont des maladies malignes diagnostiquées par histopathologie comme métastases mais dont l'origine ne peut être déterminée par les méthodes diagnostiques habituelles.
Ces maladies se présentent fréquemment sous forme d'épanchements séreux et ont un pronostic sombre malgré les chimiothérapies combinées. L'immunohistochimie prédit l'origine la plus probable de la CUP ; cependant, les chercheurs peuvent détecter quelques cas à l’aide de cocktails d’immunocoloration. L’identification précise des sites primaires est essentielle pour une thérapie réussie et adaptée.
À propos de l'étude
Dans la présente étude, les chercheurs présentent TORCH, un algorithme d’apprentissage profond, permettant d’identifier la genèse du cancer sur la base d’images cytologiques de l’ascite et de l’hydrothorax.
Les chercheurs ont formé le modèle à l’aide de quatre réseaux neuronaux profonds indépendants combinés pour produire 12 modèles différents. À l’aide d’images cytologiques, les chercheurs ont tenté de développer un modèle de diagnostic basé sur l’intelligence artificielle pour prédire l’origine de la tumeur chez les individus présentant une tumeur maligne et des métastases d’ascite ou d’hydrothorax.
Ils ont testé et confirmé les performances du système d’IA à l’aide d’instances de frottis cytologiques provenant de plusieurs ensembles de tests indépendants.
De juin 2010 à octobre 2023, les chercheurs ont collecté des données à partir de 90 572 images de frottis cytologiques de 76 183 patients atteints de cancer dans quatre institutions majeures (premier hôpital universitaire de Zhengzhou, institut et hôpital du cancer de l'université médicale de Tianjin, hôpital Yantai Yuhuangding et premier hôpital universitaire de Suzhou) à titre de formation. données.
Les troubles respiratoires représentaient le pourcentage le plus élevé (30 %, 17 058 patients) de groupes malins.
Le carcinome représentait 57 % des cas d'ascite et d'hydrothorax, l'adénocarcinome étant le groupe le plus courant (47 %, 27 006 patients). Seulement 0,6 % des carcinomes épidermoïdes métastasaient en ascite ou en épanchement pleural (n = 346).
Pour tester la généralisabilité et la fiabilité de TORCH, les chercheurs ont inclus 4 520 patients consécutifs de l’hôpital du cancer de Tianjin (ensemble de données Tianjin-P) et 12 467 de l’hôpital de Yantai (ensemble de données Yantai).
Ils ont sélectionné au hasard 496 images de frottis cytologiques provenant de trois ensembles de tests internes pour déterminer si TORCH pourrait aider les pathologistes débutants à améliorer leurs performances.
Ils ont comparé les performances des pathologistes juniors utilisant TORCH aux résultats d'interprétation manuelle antérieurs des pathologistes juniors et plus âgés.
Les chercheurs ont utilisé des cartes thermiques d’attention pour interpréter un modèle d’IA pour la détection du cancer dans 42 682 frottis cytologiques provenant de patients de trois grands hôpitaux de référence tertiaires. Le modèle a été évalué dans des scénarios réels à l’aide d’ensembles de données de tests externes, comprenant 495 photos.
L'étude vise à améliorer les capacités de diagnostic des jeunes pathologistes à l'aide de TORCH. Les tests d'ablation ont évalué les avantages de l'inclusion des caractéristiques cliniques dans la prédiction de l'origine de la tumeur et ont étudié l'association entre les facteurs cliniques et les images cytologiques.
Résultats
Le modèle TORCH, une nouvelle technique permettant de prédire l'origine des tumeurs dans le diagnostic et la localisation du cancer, a été évalué sur divers ensembles de données.
Les résultats ont révélé que TORCH avait une lecture globale micro-moyenne de l'aire de repos sous la courbe (AUROC) de 0,97, avec une précision top-1 de 83 % et une précision top-3 de 99 %. Cela a amélioré l'efficacité de prédiction de TORCH par rapport aux pathologistes, augmentant notamment les scores de diagnostic des pathologistes débutants.
Les patients atteints d'un cancer primaire inconnu dont la première approche thérapeutique était conforme aux origines estimées par TORCH avaient un taux de survie global plus élevé que ceux ayant reçu un traitement discordant. Le modèle a démontré une généralisation et une compatibilité relativement fiables.
Lorsqu'il est associé à cinq ensembles de tests, TORCH avait une précision top 1 de 83 %, une précision top 2 de 96 % et une précision top 3 de 99 %. Il a également produit des notes AUROC micro-moyennes un contre repos similaires dans les groupes à faible certitude et à haute certitude.
L'étude a porté sur 391 patients atteints de cancer, dont 276 étaient concordants et 115 discordants. Après la période de suivi, 42 % des patients sont décédés, avec 37 % de patients concordants et 53 % de patients discordants. L'analyse de survie a révélé que les patients concordants avaient une survie globale considérablement plus élevée que les patients discordants.
Une mauvaise préparation des frottis et des problèmes de qualité d’image tels que le pliage des coupes, les contaminants ou la coloration excessive peuvent contribuer au surdiagnostic de l’IA dans le cancer du pancréas. Les chercheurs peuvent remédier à ces défauts grâce à un traitement manuel méticuleux tout au long de l’étape de sélection des données.
Dans le cas du cancer du côlon, la bave occupait la majorité de la surface de l'image, ce qui aurait pu amener le modèle d'IA à ignorer cet aspect critique lors de l'établissement d'un diagnostic.
Conclusion
Sur la base des résultats de l’étude, le modèle TORCH, un outil d’IA, s’est révélé prometteur dans la pratique clinique pour prédire l’origine systémique primaire des cellules malignes dans l’hydrothorax et l’ascite.
Il permet de distinguer les tumeurs malignes des maladies bénignes, d'identifier les sources du cancer et d'aider à la prise de décision clinique chez les patients atteints de cancers d'origine inconnue. Le modèle a donné de bons résultats sur cinq ensembles de tests et a surpassé quatre pathologistes.
Il peut aider les oncologues à sélectionner un traitement pour les individus non identifiés atteints de CUP, principalement un adénocarcinome, traités par des schémas de chimiothérapie empiriques à large spectre.
