AI-RAPTOR

Omkring 60 % af lungekræfttilfældene diagnosticeres i fremskredne stadier, hvilket gør lungekræft til den førende årsag til kræftrelaterede dødsfald på verdensplan. Det er derfor afgørende, at der udvikles metoder til tidligere påvisning for at forbedre lungekræftoverlevelsen.

Nylige undersøgelser har vist, at en screening ved hjælp af lavdosis computertomografi (også kaldet lavdosis CT-scanninger eller LDCT) af højrisikopersoner effektivt kan reducere dødeligheden af ​​lungekræftpatienter ved at tilbyde tidlig opdagelse af tegn på kræft.

Sundhedsmyndighederne i Danmark planlægger at implementere et nationalt lungekræftscreeningsprogram i 2024 for at forbedre tidlig opsporing, men indførelsen af ​​et CT-baseret screeningprogram vil øge arbejdsbyrden med ca. 100.000-150.000 yderligere CT-scanninger om året og forværre den eksisterende mangel på specialiserede radiologer. I øjeblikket er tiden fra CT til diagnose cirka 24 dage, men med et screeningsprogram baseret på de foreslåede inklusionskriterier fra NELSON-forsøget, skulle de danske sygehuse have op til fire gange så mange specialiserede radiologer i forhold til i dag for at kunne at opretholde denne tidsramme. 

Kunstig intelligens(AI)-teknologier kan muligvis tilbyde et svar på disse udfordringer. AI-baserede algoritmer har vist sig at være ret nyttige inden for områder som medicinsk billeddannelse, og en nylig gennemgang har fundet ud af, at algoritmer er i stand til at opdage lungekræft. På trods af dette er det stadig nødvendigt at evaluere den kliniske nytte, sikkerhed, rapporteringsmetode samt gennemførligheden af ​​at implementere AI-teknologi i klinisk praksis.

Mål

AI-RAPTOR er et ph.d.-studie af Frederik Andersen og dets overordnede formål er at udvikle, træne og validere en AI-algoritme, der kan detektere potentielt maligne lungefund på lavdosis-CT-scanningen og dermed hjælpe klinikere i den diagnostiske proces. 

Algoritmen vil, når den er implementeret, udføre den indledende analyse af billederne fra CT-scanningen og kombinere disse fund med patientdata såsom alder, rygevaner og sygehistorie for at foreslå en diagnose. Den specialiserede lungeradiolog vil derefter gennemgå resultaterne og bruge disse til beslutningsstøtte for at nå frem til en diagnose.

Det foreslåede AI-baserede kliniske beslutningsstøtteværktøj forventes at reducere tidsrammen fra CT-scanning til diagnose uden at kompromittere kvaliteten af ​​plejen, da løsningen giver mulighed for at analysere og inkludere et bredere sæt data i den diagnostiske proces. 

AI-RAPTOR-projektet vil blive opdelt i tre delstudier:

1. En systematisk gennemgang af aktuel litteratur vedrørende brugen af ​​AI i pulmonale fund i lavdosis CT-screeninger. Dette for at sikre optimal baggrundsviden til design af den bedst mulige algoritme.
2. Udvikling, træning og validering af algoritmen. 
   Til dette studie vil vi oprette et datasæt til træning af algoritmen, bestående af cirka 5000 anonymiserede CT-scanninger fra patienter, der tidligere er henvist til en diagnostisk lungepakken (”Lungepakken”) og det danske lungekræftregister. Datasættet vil indeholde både normale pulmonale fund (ingen patologi) samt benigne og maligne lungeknuder (bekræftet af histopatologi). Når raffinering og træningsprocessen er afsluttet, vil algoritmens ydeevne (sensitivitet og specificitet) blive sammenlignet og valideret i forhold til evalueringen foretaget af radiologerne (alle inkluderede CT-scanninger har skriftlige rapporter) og histopatologien (biopsi eller operation).
3. Validering og vurdering af den kliniske anvendelighed og gennemførlighed af den udviklede algoritme i forhold til nuværende klinisk praksis.
   I et klinisk miljø, der involverer både radiologer og den diagnostiske enhed, vil algoritmen blive udsat for en yderst relevant potentiel screeningspopulation indeholdende 15.000 anonymiserede CT-scanninger tilgængelige fra Dansk Cardiovascular Screening Trial (DANCAVAS) udført fra 2014 til 2017. Dette vil lette en beskrivende analyse af kohorten og forekomsten af ​​mistænkelige lungeknuder i en simuleret klinisk setting og gennemførligheden. Arbejdsgangen med integreret algoritme vil blive sammenlignet med den nuværende arbejdsgang med hensyn til nøjagtighed og gennemførlighed. Algoritmens ydeevne vil blive sammenlignet og valideret mod evalueringen af ​​ekspert thoraxradiologer og radiologbeboere ved hjælp af en tilfældigt udvalgt undergruppe af CT-scanninger, hvorved ydeevnen undersøges.

Partnere

• Hjerte-, Lunge og Karkirurgisk Afdeling, OUH
• Lungemedicinsk Afdeling, OUH
• Radiologisk Afdeling, OUH
• Mærsk Mc-Kinney Møller Instituttet, SDU

Ekstern finansiering

Ph.d.-studiet AI-RAPTOR har modtaget støtte fra Danmarks Frie Forskningsfond (DFF) og den lokale Innovationsfond i Region Syddanmark.