TORCH daganatelemző AI algoritmus
A Nature Medicine folyóiratban április 17-én jelent meg a kínai Tianjin’s Clinical Research Center for Cancer és a Harvard University kutatóinak cikke, amelyben egy deep learning algoritmust dolgoztak ki ismeretlen eredetű tumorok elsődleges eredetének meghatározására, több mint 57 ezer daganatos beteg szövettani felvételei alapján. Az algoritmus kifejlesztéséhez négy deep neural network algoritmust használtak fel, amelyek 12 különböző modellt alkottak a képek alapján, ezeket foglalja össze a TORCH (tumor origin differentiation using cytological histology) névre keresztelt AI algoritmus.
Az ismeretlen eredetű elsődleges daganatos betegségek (CUP; cancers of unknown primary sites) olyan rosszindulatú betegségek, amelyeknél a tumorokat a szövettan már áttétként diagnosztizálja, ám ezek eredete (vagyis, hogy hol található az az elsődleges daganat, amiről leszakadtak) a szokásos diagnosztikai módszerekkel nem határozható meg.
Ezek a kórképek gyakran szerózus (savós) folyadékgyülemként jelentkeznek, és a kombinált kemoterápiás beavatkozások ellenére is lesújtó prognózissal rendelkeznek. A primer daganat helyének pontos azonosítása kritikus fontosságú a sikeres és személyre szabott terápia szempontjából. Ezért a mostani kutatás során a szerzők egy olyan mesterséges intelligencia alapú diagnosztikai modellt próbáltak meg kidolgozni, amely a tumor eredetének meghatározására alkalmas a rosszindulatú daganatos betegségben és ascites vagy hydrothorax metasztázisokban szenvedő egyének körében.
A kutatók 2010 júniusától 2023 októberéig négy nagy intézmény (Zhengzhou University First Hospital, Tianjin Medical University Cancer Institute and Hospital, Yantai Yuhuangding Hospital és Suzhou University First Hospital) több mint 76 ezer rákos betegétől származó 90 ezer citológiai kenetkép adatait gyűjtötték be képzési adatként. A légzőszervi rendellenességek képviselték a rosszindulatú csoportosítások legnagyobb százalékát (30%, 17 ezer beteg). Az ascites és hydrothorax esetek 57%-át valamilyen típusú karcinóma tette ki, amelyek közül az adenokarcinóma volt a leggyakoribb csoport (47%, 27 ezer beteg). A laphámsejtes karcinómáknak csak 0,6%-a adott áttétet ascitesbe vagy pleuralis folyadékba (n=346).
A TORCH általánosíthatóságának és megbízhatóságának tesztelése érdekében a kutatók az algoritmust 4520 beteg bevonásával tesztelték, ehhez 496 citológiai kenetképet véletlenszerűen választottak ki három belső tesztelési halmazból, hogy megvizsgálják, segíthet-e a TORCH a pályakezdő patológusoknak teljesítményük javításában. Ezt követően a fiatal patológusok TORCH használatával elért teljesítményét hasonlították össze a korábbi manuális értelmezési eredmények pontosságával mind fiatal, mind idősebb patológusok körében.
Az eredmények azt mutatták, hogy a TORCH jelentősen javította a fiatal patológusok diagnosztikai teljesítményét, de a különböző ráktípusok esetében nagyon eltérő eredményeket mutatott. A rossz kenetelőkészítés és a képminőségi problémák, mint például a metszetek egymásra hajlása, a szennyeződések vagy a túlfestés hozzájárulhattak a hasnyálmirigyrák AI általi túldiagnosztizálásához. A vastagbélrák esetében pedig, mivel a nyálka foglalta el a kép területének nagy részét, az AI gyakran figyelmen kívül hagyta ezt a ráktípust a diagnózis felállítása során.
A tanulmány eredményei alapján a TORCH algoritmus klinikai gyakorlatban történő alkalmazásra ígéretesnek bizonyult a hydrothorax és az ascites esetén megfigyelhető rosszindulatú sejtek elsődleges eredetének felkutatásában. Az algoritmus másik nagy előnye, hogy meg tudja különböztetni a rosszindulatú tumorokat a jóindulatú daganatoktól, ezzel is segíthet a klinikai döntéshozatalban az ismeretlen eredetű daganatos betegeknél. További fejlesztést követően az algoritmus segítséget nyújthat az onkológusoknak olyan betegek esetében, akik ismeretlen eredetű primer daganat miatt széles spektrumú kemoterápiás kezelésben részesülnének.
Írásunk az alábbi közlemények alapján készült:
New AI tool 'TORCH' successfully identifies cancer origins in unknown primary cases
Prediction of tumor origin in cancers of unknown primary origin with cytology-based deep learning
Irodalmi hivatkozás:
Tian, F., Liu, D., Wei, N., et al., (2024) Prediction of tumor origin in cancers of unknown primary origin with cytology-based deep learning. Nat Med. doi:https://doi.org/10.1038/s41591-024-02915-w. https://www.nature.com/articles/s41591-024-02915-w
