Εισαγωγή
Τι είναι ο καρκίνος της ουροδόχου κύστης;
Πώς μπορεί η τεχνητή νοημοσύνη να βοηθήσει στη διάγνωση του καρκίνου της ουροδόχου κύστης;
Χρήση μηχανικής μάθησης για τη μέτρηση των οφθαλμών του όγκου
Χρήση τεχνητής νοημοσύνης για ανίχνευση ΑΙ όγκου
Πώς μπορεί να χρησιμοποιηθεί η τεχνητή νοημοσύνη στη σταδιοποίηση καρκινικών όγκων;
Βαθμολόγηση καρκινικών όγκων με χρήση ΑΙ
Χρήση τεχνητής νοημοσύνης για την πρόβλεψη πιθανοτήτων επιβίωσης
συμπέρασμα
βιβλιογραφικές αναφορές
Περαιτέρω ανάγνωση
Ο καρκίνος της ουροδόχου κύστης (BCa) είναι η πιο διαδεδομένη κακοήθεια του ουροποιητικού συστήματος και είναι δαπανηρή η θεραπεία. Πρόσφατα, αλγόριθμοι τεχνητής νοημοσύνης έχουν χρησιμοποιηθεί στη διάγνωση BCa και στην πρόβλεψη των αποτελεσμάτων.
Αυτές οι εργασίες περιλαμβάνουν την αυτοματοποιημένη αναγνώριση του όγκου, τη σταδιοποίηση και τη βαθμολόγηση, την κατάτμηση του τοιχώματος της ουροδόχου κύστης, την πρόβλεψη της υποτροπής, την ανταπόκριση στη θεραπεία και τη συνολική επιβίωση. Αυτό το άρθρο διερευνά τη σημασία της τεχνητής νοημοσύνης στη θεραπεία του καρκίνου της ουροδόχου κύστης.
Πίστωση εικόνας: Shidlovski/Shutterstock
Ο καρκίνος της ουροδόχου κύστης προέρχεται από τα κύτταρα της επένδυσης (ουροθηλιακά κύτταρα). Τα ουροθηλιακά κύτταρα βρίσκονται επίσης στους νεφρούς και στους ουρητήρες που συνδέουν τους νεφρούς με την ουροδόχο κύστη. Το ουροθηλιακό καρκίνωμα της ουροδόχου κύστης είναι πιο διαδεδομένο από ότι στους νεφρούς ή τους ουρητήρες.
Ο μη μυοδιηθητικός καρκίνος της ουροδόχου κύστης είναι μια ετερογενής ασθένεια της οποίας η θεραπεία εξαρτάται από τον κίνδυνο μυϊκής διήθησης. Οι περισσότεροι όγκοι είναι νωθροί και μπορούν να αντιμετωπιστούν ενδοσκοπικά. Η μυϊκή εισβολή μπορεί να είναι θανατηφόρα χωρίς επιθετική θεραπεία.
Διάφοροι βιοδείκτες έχουν εξεταστεί για την ενίσχυση της πρόβλεψης εξέλιξης. Αρκετοί ερευνητές χρησιμοποίησαν μικροσυστοιχίες έκφρασης γονιδίων για να βρουν βιοδείκτες. Τα δεδομένα συστοιχίας μπορούν να ερμηνευτούν χρησιμοποιώντας διάφορες στατιστικές προσεγγίσεις, αλλά κανένας βιοδείκτης δεν έχει φτάσει στην κλινική πρακτική.
Δεδομένου ότι η στατιστική ανάλυση μπορεί να χρησιμοποιηθεί μόνο για μια μεγάλη ομάδα ανθρώπων και έχει χαμηλό ποσοστό επιτυχίας για την πρόβλεψη μεμονωμένων συμπεριφορών όγκου, απαιτούνται νέες προσεγγίσεις.
Η έγκαιρη ανίχνευση του καρκίνου της ουροδόχου κύστης βελτιώνει την επιβίωση. Η νεοεπικουρική χημειοθεραπεία πριν από τη ριζική κυστεκτομή βελτιώνει την επιβίωση και μειώνει τη μεταστατική νόσο. Ωστόσο, μπορεί να προκαλέσει ουδετεροπενικό πυρετό, σήψη, βλεννογονίτιδα, ναυτία, έμετο, κακουχία και φαλάκρα.
Είναι σημαντικό να εξεταστεί η ανταπόκριση της βλάβης της ουροδόχου κύστης στη χημειοθεραπεία για να εξοικονομηθεί η άσκοπη τοξικότητα του ασθενούς ή να αποκλιμακωθεί η χειρουργική επέμβαση χρησιμοποιώντας ορισμένες νέες τεχνικές.
Σε μια πολυϊδρυματική δοκιμή, μια προσέγγιση βασισμένη στην τεχνητή νοημοσύνη ενίσχυσε τις αξιολογήσεις των κλινικών ιατρών για τη χημειοθεραπεία ασθενών με καρκίνο της ουροδόχου κύστης πριν από τη ριζική κυστεκτομή (χειρουργική αφαίρεσης κύστης).
Η τεχνητή νοημοσύνη μπορεί να ανιχνεύσει αξιόπιστα την κατανομή ετερογενών καρκίνων χρησιμοποιώντας μη επεμβατικές εικόνες 3D CT ή MRI (MRI). Η ML που χρησιμοποιείται με την τρισδιάστατη μαγνητική τομογραφία μπορεί να διακρίνει τους καρκίνους χαμηλού και υψηλού βαθμού. Επιτρέπει στους γιατρούς να κάνουν λιγότερο επεμβατικές χειρουργικές επεμβάσεις, να ελαχιστοποιούν την διεγχειρητική απώλεια αίματος, να συντομεύουν τις παραμονές στο νοσοκομείο, να επιταχύνουν τη γαστρεντερική επούλωση και να μειώνουν τα συνολικά προβλήματα.
Πίστωση εικόνας: Magic3D/Shutterstock
Οι ερευνητές δημοσίευσαν ένα άρθρο στο περιοδικό World Journal of Urology στην οποία διεξήγαγαν μια αναδρομική μελέτη συγκρίνοντας προσκολλημένους και μη προσκολλημένους ασθενείς στα πρώτα τρία χρόνια ενός προτεινόμενου σχήματος κυστεοσκόπησης για δημογραφικά στοιχεία, ιστοπαθολογία, υποτροπή, εξέλιξη και θνησιμότητα ειδική για τον καρκίνο.
Για την ακριβή μέτρηση των οφθαλμών του όγκου σε διαφάνειες με επισήμανση με ανοσοφθορισμό, η στρατηγική που βασίζεται στη μηχανική μάθηση (ML) έχει χρησιμοποιηθεί σε ασθενείς με MIBC. Το σύστημα σταδιοποίησης της μετάστασης των λεμφαδένων σχετίζεται με το σχηματισμό οφθαλμών του όγκου. Το συνολικό ποσοστό επιβίωσης κάθε ασθενούς με MIBC χρησιμοποιήθηκε για να τοποθετηθεί σε μία από τις τρεις καινοτόμες κατηγορίες σταδιοποίησης.
Οι ερευνητές δημοσίευσαν ένα άρθρο στο Τεχνητή Νοημοσύνη στην Ιατρική στο οποίο ανέπτυξαν ένα πολυστρωματικό νευρωνικό δίκτυο που λαμβάνει ως είσοδο τις εικόνες της κυστεοσκόπησης Laplacian (ANN). Ο χειριστής Laplacian εφιστά την προσοχή σε περιοχές της εικόνας όπου οι τιμές έντασης των γειτονικών pixel ποικίλλουν πολύ, όπως κατά μήκος των άκρων της εικόνας.
Αυτή η μελέτη παρουσιάζει μια τεχνική που βασίζεται σε MLP για τη διάγνωση του καρκίνου της ουροδόχου κύστης. Για την προετοιμασία των εικόνων για αυτή τη διαδικασία, αλλάζει το μέγεθός τους και χρησιμοποιείται ένας ανιχνευτής άκρων Laplacian.
Αυτή η έρευνα παρέχει μια πρόσθετη επιλογή για την ανίχνευση του καρκίνου της ουροδόχου κύστης. Αυτή η τεχνική μπορεί να χρησιμοποιηθεί ως ο πρωτεύων ή δευτερεύων αλγόριθμος για τη δημιουργία ενός εξειδικευμένου συστήματος για τη διάγνωση του καρκίνου της ουροδόχου κύστης.
Το στάδιο ενός όγκου BCa ορίζεται από το πόσο βαθιά έχει εισβάλει στην ουροδόχο κύστη. Ανεξάρτητα από το αν ο όγκος έχει φτάσει στον εξωστήρα μυ, οι ασθενείς εμπίπτουν σε μυο-επεμβατικό (MIBC) ή μη μυο-διηθητικό BCa (NMIBC) με διαφορετικές συστάσεις θεραπευτικής παρέμβασης.
Σε άρθρο που δημοσιεύτηκε στο Ιατρική Φυσική, οι ερευνητές πρότειναν μια τεχνική με τη βοήθεια υπολογιστή που βασίζεται στη μηχανική μάθηση (ML) για την ανίχνευση του σταδίου καρκίνου της ουροδόχου κύστης στην αξονική ουρογραφία (CTU). Ομοίως, σε άρθρο που δημοσιεύτηκε στο Journal of Magnetic Resonance Imagingοι ερευνητές ανακάλυψαν 1104 ραδιομικά χαρακτηριστικά από καρκινωματώδεις ROI σε ένα μικρό σύνολο δεδομένων MRI (24 NMIBC και 30 MIBC).
Οι ερευνητές χρησιμοποίησαν την αναδρομική αφαίρεση χαρακτηριστικών για να εξαλείψουν τα μη πληροφοριακά χαρακτηριστικά και να αποτρέψουν την υπερβολική προσαρμογή. Χρησιμοποιώντας δεδομένα παθολογίας, οι ίδιοι αλγόριθμοι ML που χρησιμοποιούνται για τη διάκριση μεταξύ NIMB και MIBC μπορούν να ταξινομήσουν φάσεις σε κάθε ομάδα.
Πίστωση εικόνας: Blue Planet Studio/Shutterstock
Τα δείγματα διουρηθρικής εκτομής όγκων της ουροδόχου κύστης (TURBT) πρέπει να ταξινομούνται αξιόπιστα και με δυνατότητα αναπαραγωγής για να διευκολύνεται η λήψη κλινικών αποφάσεων και η επιλογή θεραπείας. Σε άρθρο που δημοσιεύτηκε στο American Journal of Pathologyοι ερευνητές εξέτασαν τη βιωσιμότητα ενός συστήματος που θα μπορούσε αυτόματα να αναγνωρίσει και να βαθμολογήσει δείγματα TURBT.
Εκπαίδευσαν και επαλήθευσαν δύο διαφορετικά σχέδια νευρωνικών δικτύων. Για την αξιολόγηση των ψηφιακών τμημάτων, ένα δεύτερο δίκτυο χρησιμοποιείται ως είσοδος για τα αποτελέσματα της αναγνώρισης και τμηματοποίησης του ουροθηλίου του πρώτου δικτύου.
Σύμφωνα με τη συναινετική ανάγνωση τριών ικανών παθολόγων, το προτεινόμενο μοντέλο αξιολόγησε με ακρίβεια το 76% των όγκων χαμηλού βαθμού και το 71% των κακοηθειών υψηλού βαθμού.
Σχετικά: Μη επεμβατικές διαγνωστικές στρατηγικές για τον καρκίνο της ουροδόχου κύστης
Μια ακριβής μέθοδος πρόβλεψης του πώς ένας μεμονωμένος καρκινοπαθής θα αντιδράσει στη χημειοθεραπεία και την επιβίωση του ασθενούς θεωρείται Άγιο Δισκοπότηρο στην ογκολογία.
Για τον καρκίνο του μαστού, ένα ακριβές μοντέλο πρόβλεψης μπορεί να βοηθήσει στον προσδιορισμό των ατόμων που θα έχουν αποκλειστικά αρνητικές επιπτώσεις από τα φάρμακα χημειοθεραπείας.
Από την άλλη πλευρά, οι ασθενείς που προβλέπεται να ανταποκριθούν καλά στη χημειοθεραπεία μπορεί να αποφύγουν τη διεξαγωγή ριζικής κυστεκτομής, βελτιώνοντας σημαντικά την ποιότητα ζωής τους.
Αρκετοί ερευνητές έχουν χρησιμοποιήσει διαφορετικές μεθόδους ML για να προβλέψουν την ανταπόκριση του ασθενούς στη χημειοθεραπεία, η οποία είναι σημαντικά ακριβής.
Το BCa είναι ο πιο δαπανηρός καρκίνος για θεραπεία κατά τη διάρκεια της ζωής ενός ασθενούς. Ως εκ τούτου, η εφαρμογή της τεχνολογίας AI σε διαγνώσεις και προγνωστικά μπορεί να βελτιώσει την ποιότητα ζωής των ασθενών μειώνοντας τον αριθμό των περιττών ριζικών κυστεκτομών. Απαιτούνται πρόσθετες μελέτες παρατήρησης και νέες κλινικές δοκιμές πολλαπλών φάσεων για να διερευνηθεί πλήρως αυτή η πιθανότητα.
- Borhani, S., Borhani, R. and Kajdacsy-Balla, A. (2022) «Τεχνητή νοημοσύνη: Ένα πολλά υποσχόμενο όριο στη διάγνωση και την πρόβλεψη του καρκίνου της ουροδόχου κύστης», Κριτικές Κριτικές στην Ογκολογία/Αιματολογία, 171, σελ. 103601. doi.org/10.1016/j.critrevonc.2022.103601.
- Γκαραπάτη, Σ.Σ et al. (2017) «Σταδιοποίηση καρκίνου της ουροδόχου κύστης στην αξονική ουρογραφία με χρήση μηχανικής μάθησης», Ιατρική Φυσική44(11), σσ. 5814–5823. doi.org/10.1002/mp.12510.
- Γιάνσεν, Ι. et al. (2020) «Αυτοματοποιημένη ανίχνευση και βαθμολόγηση του μη-μυοδιηθητικού καρκινώματος ουροθηλιακών κυττάρων της ουροδόχου κύστης», The American Journal of Pathology190(7), σσ. 1483–1490. doi.org/10.1016/j.ajpath.2020.03.013.
- Λορένσιν, Ι. et al. (2020) «Χρήση πολυστρωματικού perceptron με ανιχνευτή άκρων Λαπλασίας για διάγνωση καρκίνου της ουροδόχου κύστης», Τεχνητή Νοημοσύνη στην Ιατρική102 (Μάιος 2019). doi.org/10.1016/j.artmed.2019.101746.
- Ήλιος, Δ. et al. (2022) ‘Computerized Decision Support for Bodder Cancer Treatment Response Assessment in CT Urography: Effect on Diagnostic Accuracy in Multi-Institute Multi-Specialty Study’, Τομογραφία8(2), σσ. 644–656. doi.org/10.3390/tomography8020054.
- Xu, X. et al. (2019) «Ποσοτική ταυτοποίηση μη μυο-διεμβατικών και μυοδιηθητικών καρκινωμάτων της ουροδόχου κύστης: Μια πολυπαραμετρική ανάλυση ραδιενεργών μαγνητικής τομογραφίας», Journal of Magnetic Resonance Imaging49(5), σσ. 1489–1498. doi.org/10.1002/jmri.26327.
Περαιτέρω ανάγνωση
.