在最近发表在《自然医学》上的一项研究中，研究人员开发了一种利用细胞学组织学(TORCH)进行肿瘤起源分化的深度学习方法，利用来自57,220例患者的细胞学图片识别胸腔积液和腹水的恶性肿瘤并预测肿瘤起源。
背景
未知原发部位的癌症(CUP)是通过组织病理学诊断为转移的恶性疾病，但其起源无法用常规诊断方法确定。
这些疾病经常表现为严重的积液，尽管联合化疗，预后却很差。免疫组化预测CUP最可能的起源;然而，研究人员可以使用免疫染色鸡尾酒检测到一些病例。准确识别原发部位是成功和量身定制治疗的关键。
一个关于这项研究
在本研究中，研究人员提出了TORCH，一种深度学习算法，基于腹水和胸水的细胞学图像来识别癌症的发生。
研究人员使用四个独立的深度神经网络来训练模型，从而产生了12个不同的模型。利用细胞学图片，研究人员试图开发一种基于人工智能的诊断模型，用于预测恶性肿瘤和腹水或胸水转移患者的肿瘤起源。
他们使用来自多个独立测试集的细胞学涂片实例测试并确认了人工智能系统的性能。
2010年6月至2023年10月，研究人员收集了四所主要机构(郑州大学第一医院、天津医科大学肿瘤研究所医院、烟台玉皇顶医院和苏州大学第一医院)76,183名癌症患者的90,572张细胞学涂片图像作为训练数据。
呼吸系统疾病在恶性分类中所占比例最高(30%，17,058例)。
癌占57%的腹水和胸水病例，其中腺癌是最常见的组(47%，27006例)。只有0.6%的鳞状细胞癌转移为腹水或胸腔积液(n=346)。
为了检验TORCH的普遍性和可靠性，研究人员纳入了来自天津肿瘤医院(天津- p数据集)的4520名连续患者和来自烟台医院(烟台数据集)的12467名患者。
他们从三个内部测试集随机选择了496张细胞学涂片图像，以调查TORCH是否可以帮助初级病理学家提高他们的表现。
他们将初级病理学家使用TORCH的表现与初级和老年病理学家先前的人工解释结果进行了比较。
研究人员利用注意力热图解释了一种用于癌症检测的人工智能模型，该模型来自三家主要三级转诊医院的患者的42682张细胞学涂片图片。该模型在真实场景中使用外部测试数据集进行评估，其中包括495张照片。
本研究旨在提高初级病理医师使用TORCH的诊断能力。消融试验评估了包括临床特征在肿瘤起源预测中的优势，并研究了临床因素与细胞学图像之间的关系。
结果
TORCH模型是一种在癌症诊断和定位中预测肿瘤起源的新技术，已经在各种数据集上进行了评估。
研究结果显示，TORCH的整体微平均曲线下一与休息区域(AUROC)读数为0.97，前1名的准确率为83%，前3名的准确率为99%。与病理学家相比，这增强了TORCH的预测效能，显著提高了初级病理学家的诊断评分。
原发不明的癌症患者，其首次治疗方法与torch估计的起源一致，其总生存率高于接受不一致治疗的患者。该模型具有较好的通用性和兼容性。
当与五个测试集相结合时，TORCH的前1准确率为83%，前2准确率为96%，前3准确率为99%。它还在低确定性组和高确定性组中产生了类似的微平均一次与其余AUROC评分。
这项研究包括391名癌症患者，其中276名是和谐的，115名是不和谐的。随访结束后，42%的患者死亡，其中一致者占37%，不一致者占53%。生存分析显示，和谐患者的总生存率明显高于不和谐患者。
涂片准备不良和图像质量问题，如切片折叠、污染物或过度染色，可能导致胰腺癌的人工智能过度诊断。研究人员可以在整个数据筛选步骤中通过细致的人工处理来解决这些缺陷。
在结肠癌的情况下，粘液占据了图像的大部分区域，这可能导致人工智能模型在进行诊断时忽略了这一关键方面。
结论
基于研究结果，人工智能工具TORCH模型在临床实践中显示出预测胸水和腹水恶性细胞主要系统起源的前景。
它可以区分恶性肿瘤和良性疾病，查明癌症来源，帮助不明原因癌症患者的临床决策。该模型在五个测试集中表现良好，优于四位病理学家。
它可以帮助肿瘤学家为不明身份的CUP患者选择治疗方法，主要是腺癌，用经验广谱化疗方案治疗。
