Использование искусственного интеллекта для оценки биопсий при диагностике и классификации рака предстательной железы.

Растущий объем биопсий и нехватка квалифицированных гистологов, а также большое число диагностических ошибок и высокая вариабельность оценок одного и того же слайда разными специалистами, зачастую приводят к неадакватному лечению рака предстательной железы.

В популяционном диагностическом исследовании, опубликованном в журнале Lancet Oncology, учёные шведского Karolinska Institute оценили эффективность и точность системы искусственного интеллекта в оценке биопсий с целью выявления рака предстательной железы, точной его локализации и оценки по шкале Глисона.

Было оцифровано 6682 слайда из биоптатов от 976 случайно отобранных пациентов в возрасте 50-69 лет. Полученные изображения были использованы для обучения глубоких нейронных сетей чтению биопсий предстательной железы. Эффективность работы нейронных сетей была оценена на ограниченном количестве биопсий опытными гистологами из International Society of Urological Pathology.

Оказалось, что качество работы искусственного интеллекта по выявлению патологии предстательной железы было сопоставимо с качеством работы международных экспертов. Авторы исследования доказали, что искусственный интеллект может быть обучен чтению и оценке слайдов по шкале Глисона. Участие искусственного интеллекта может помочь с проблемой стандартизации постановки точного гистологического диагноза при раке простаты и, как следствие, улучшить исходы лечения.

Исследование подтвердило, что использование искусственного интеллекта может существенно снизить нагрузку на патологоанатомические отделения путём автоматизации процесса постановки диагноза, чем самым повлиять на назначение более эффективного лечения онкологических заболеваний предстательной железы.

Источник: https://www.thelancet.com/journals/lanonc/article/PIIS1470-2045(19)30738-7/fulltext

Artificial intelligence for diagnosis and grading of prostate cancer in biopsies: a population-based, diagnostic study.

Ström P et al

BACKGROUND:

An increasing volume of prostate biopsies and a worldwide shortage of urological pathologists puts a strain on pathology departments. Additionally, the high intra-observer and inter-observer variability in grading can result in overtreatment and undertreatment of prostate cancer. To alleviate these problems, we aimed to develop an artificial intelligence (AI) system with clinically acceptable accuracy for prostate cancer detection, localisation, and Gleason grading.

METHODS:

We digitised 6682 slides from needle core biopsies from 976 randomly selected participants aged 50-69 in the Swedish prospective and population-based STHLM3 diagnostic study done between May 28, 2012, and Dec 30, 2014 (ISRCTN84445406), and another 271 from 93 men from outside the study. The resulting images were used to train deep neural networks for assessment of prostate biopsies. The networks were evaluated by predicting the presence, extent, and Gleason grade of malignant tissue for an independent test dataset comprising 1631 biopsies from 246 men from STHLM3 and an external validation dataset of 330 biopsies from 73 men. We also evaluated grading performance on 87 biopsies individually graded by 23 experienced urological pathologists from the International Society of Urological Pathology. We assessed discriminatory performance by receiver operating characteristics and tumour extent predictions by correlating predicted cancer length against measurements by the reporting pathologist. We quantified the concordance between grades assigned by the AI system and the expert urological pathologists using Cohen's kappa.

FINDINGS:

The AI achieved an area under the receiver operating characteristics curve of 0·997 (95% CI 0·994-0·999) for distinguishing between benign (n=910) and malignant (n=721) biopsy cores on the independent test dataset and 0·986 (0·972-0·996) on the external validation dataset (benign n=108, malignant n=222). The correlation between cancer length predicted by the AI and assigned by the reporting pathologist was 0·96 (95% CI 0·95-0·97) for the independent test dataset and 0·87 (0·84-0·90) for the external validation dataset. For assigning Gleason grades, the AI achieved a mean pairwise kappa of 0·62, which was within the range of the corresponding values for the expert pathologists (0·60-0·73).

INTERPRETATION:

An AI system can be trained to detect and grade cancer in prostate needle biopsy samples at a ranking comparable to that of international experts in prostate pathology. Clinical application could reduce pathology workload by reducing the assessment of benign biopsies and by automating the task of measuring cancer length in positive biopsy cores. An AI system with expert-level grading performance might contribute a second opinion, aid in standardising grading, and provide pathology expertise in parts of the world where it

PubMed

Другие новости по специальности