Модель глубокого обучения для стратифицированной диагностики панкреатических кистозных неоплазий

Панкреатические кистозные неоплазии (ПКН) являются критически важными предшественниками раннего выявления рака поджелудочной железы, однако существующие методы диагностики не отличаются высокой точностью и последовательностью. В этом многоцентровом исследовании была разработана и валидирована модель компьютерной томографии (КТ), основанная на искусственном интеллекте (ИИ) (ПКН-АИ), для улучшения оценки. Используя контрастные КТ-изображения 1835 пациентов, ПКН-АИ извлек 63 количественные характеристики для классификации подтипов ПКН через четыре иерархические задачи. Исследование с участием нескольких читателей и случаев (MRMC) показало, что помощь ИИ значительно улучшила точность диагностики радиологов (AUC: 0.786 до 0.845; p<0.05) и сократила время интерпретации на 23.7% (5.28 против 4.03 минут/случай). Радиологи приняли рекомендации ИИ в 87.14% случаев. В проспективной когортном исследовании ПКН-АИ показала лучшие результаты по сравнению с двойным чтением радиологов, предоставляя полезные диагностические преимущества 45.45% пациентов (5/11), правильно идентифицируя пропущенные случаи злокачественных ПКН, что позволяло своевременно intervenировать и одновременно снижать клиническую нагрузку на 39.3%. ПКН-АИ продемонстрировала надежные результаты по всем задачам (AUC: 0.845–0.988), демонстрируя ее потенциал в улучшении раннего выявления, точного управления и диагностической эффективности в клинической практике.

Введение

Рак поджелудочной железы, имеющий пятилетнюю выживаемость 11%, занимает третье и шестое место среди причин рака, приводящих к смерти в США и Китае соответственно. Ранняя диагностика панкреатических кистозных неоплазий (ПКН)—группы с высоким риском предшественников—критична для улучшения выживаемости и снижения заболеваемости. Текущие рекомендации акцентируют внимание на основанных на изображениях «высоко рискованных стигматах» (например, дилатация главного панкреатического протока (MPD) >=5 мм) и «тревожных особенностях» (например, размер кисты >=3 см) для стратификации уровня риска злокачественности. Однако клиническая реализация сталкивается с тремя фундаментальными ограничениями:

• Первое, ручная количественная оценка показывает значительную изменчивость. Согласие между наблюдателями по обнаружению муральных узлов достигает всего 62.2% положительного прогноза, в то время как пороговые значения размера кисты демонстрируют парадоксальные корреляции со злокачественностью.
• Второе, возникает противоречивая evidence, ограничивающая традиционные критерии: пороговые значения дилатации MPD теперь требуют анатомической специфики и скорость роста (>=3 мм/год) показывает более сильную связь со злокачественностью, чем абсолютный размер.
• Третье, инвазивные методы, такие как эндоскопически управляемая тонкоигольная аспирация (EUS-FNA), имеют 18-34% ложноположительных результатов и осложнения, связанные с процедурой.

Методы исследования

В этом исследовании, проводимом с января 2012 года по декабрь 2023 года, были использованы данные 2359 пациентов с ПКН из четырех больниц. Применив внимательно критерии включения и исключения, было выбрано 1835 пациентов для исследования. В группу основного когорты вошли 1249 пациентов, которые были зарегистрированы в период с июня 2012 года по март 2024 года.

Результаты

Исследование состояло из четырех этапов. Первый этап включал сегментацию изображений. Второй этап заключался в выполнении четырех классификационных задач. На третьем этапе проводилось многочитательское обследование. Четвертый этап включал проспективное исследование реальных данных (RWD), в ходе которого оценивалась точность диагностики ИИ и его влияние на рабочую нагрузку радиологов.

Выводы

Модель ПКН-АИ продемонстрировала потенциал в улучшении классификации и диагностики панкреатических кистозных неоплазий, сочетая интерпретируемые количественные характеристики с иерархической стратификацией риска. Дальнейшие исследования будут направлены на интеграцию многофункциональных данных и усовершенствование существующей модели.

Прокомментировать в Телеграм: https://t.me/n8nhow

Подписаться на канал обучения n8n: https://t.me/n8ncoaching