Новый ИИ обнаруживает рак груди, анализируя маммографическую плотность ткани

• Новая модель глубокого обучения анализирует ткани груди на маммограммах и точно оценивает показатели плотности.
• Эти оценки являются независимым фактором риска рака груди.
• Модель обрабатывает одну маммограмму менее одной секунды, и ее можно легко масштабировать по больницам.

В Соединенных Штатах уровень смертности от рака груди значительно выше, чем от любого другого вида рака, кроме рака легких (у женщин). По данным грудиcancer.org, около 12,4% женщин в США заболевают инвазивным раком груди в течение жизни.

Маммография - это метод использования рентгеновских лучей малой мощности для анализа груди человека в целях скрининга и диагностики. Однако плотная ткань может затруднить этот процесс, маскируя рак на маммограмме. Обычно оценка плотности груди зависит от субъективной оценки человека. Результаты зависят от рентгенолога по-разному из-за нескольких факторов.

Теперь исследователи из Массачусетской больницы общего профиля (MGH) и Массачусетского технологического института создали автоматизированный инструмент, который точно анализирует плотную ткань груди на маммограммах. Это модель глубокого обучения, обученная на десятках тысяч цифровых маммограмм высокого разрешения, чтобы научиться различать разные виды тканей груди.

Получив новое маммографическое изображение, инструменты могут обнаружить измерение плотности, которое так же надежно, как и опытные радиологи. По словам авторов, это первый в своем роде ИИ, успешно продемонстрированный на пациентах в больнице. Они считают, что эту технологию можно широко внедрить по всей стране, и она повысит надежность оценки тканей груди.

Обучение

Инструмент основан на сверточной нейронной сети, состоящей из нейронов с обучаемыми весами и смещениями. Они обучили и протестировали сеть на обширном наборе данных, содержащем более 58 000 маммографических изображений, случайным образом взятых у 39 000 женщин, прошедших скрининг с 2009 по 2011 год. Около 41 000 из этих изображений использовались для обучения, а 8600 - для тестирования.

Каждое демографическое изображение содержит стандартный рейтинг плотности BI-RAIDS (система отчетов и данных визуализации груди) в 4 группах:

1. Неоднородный (в основном плотный)
2. Рассеянная плотность
3. Плотный
4. Жирный

На этапе обучения и тестирования почти 40% были оценены как плотные и неоднородные. На протяжении всего этапа обучения в сеть поступают случайные маммографические изображения для оценки. Постепенно он учится наносить на карту маммограммы таким образом, чтобы они точно соответствовали оценкам плотности, установленным экспертами.

Например, сети жировой ткани груди кажутся более тонкими с серыми участками повсюду, тогда как плотные груди состоят из фиброзной и железистой соединительной ткани, которые выглядят как плотно упакованная сеть сплошных белых пятен и толстых белых линий. На этапе тестирования сеть видит новые маммографические изображения и оценивает наиболее вероятную группу плотности.

Ссылка:РСНА Радиология | doi:10.1148 / radiol.2018180694 | Массачусетский технологический институт

Инструмент был внедрен в отделе визуализации груди MGH, где он был установлен в изолированном аппарате. Как правило, маммограмма создается и отправляется в учреждение для оценки, которую проводит опытный радиолог. После всех необходимых исследований он / она присваивает каждой маммограмме оценку плотности.

Когда эксперты проведут сканирование в своем учреждении, они увидят оценки, присвоенные этим инструментом глубокого обучения, которые они могут затем отклонить или принять.

Результаты

Для обработки одной маммограммы сети требуется менее одной секунды, и ее можно масштабировать по всем больницам города, не тратя много денег и больших человеческих ресурсов.

Оценка радиолога и оценка глубокого обучения (DL) для бинарного теста | Предоставлено исследователями

В период с января по май (2018 г.) сеть наблюдала более 10000 маммографических изображений и смогла достичь 94% согласия между экспертами в бинарном тесте, в котором они должны были определить, является ли грудь плотной и неоднородной или рассредоточенной и жирной. Для всех 4 групп BI-RAIDS он в 90% случаев совпадал с мнением экспертов.

Оценка радиолога и оценка глубокого обучения (DL) для 4 групп BI-RAIDS | Предоставлено исследователями

В общем тестировании (на основе набора обучающих данных) сеть соответствовала интерпретациям радиологов в 87% случаев в бинарных тестах и ​​в 77% в 4 группах BI-RADS.

Читайте:ИИ может уловить болезни дыхания человека | Включая различные виды рака

В традиционных методах прогнозирования используется показатель, называемый каппа-баллом, где 1 означает, что оценки совпадают каждый раз, а меньшее значение представляет меньшее количество случаев согласия. Для существующих методов показатель Каппа достигает 0,6, тогда как для новой модели он достигает 0,85 при клиническом применении и 0,76 при общем тестировании. Это ясно указывает на то, что новый инструмент дает более точные оценки, чем традиционные методы.