Прорыв ИИ: анализ маммограммы за 1 секунду определяет риск рака груди через плотность ткани

• Новая модель глубокого обучения анализирует ткани груди на маммограммах и точно оценивает рейтинги плотности.
• Эти рейтинги являются независимым фактором риска рака груди.
• Модель обрабатывает одну маммограмму менее чем за секунду и может быть легко масштабирована по больницам.

В Соединенных Штатах показатели смертности от рака груди значительно выше, чем от любого другого типа рака, кроме рака легких (у женщин). Согласно breastcancer.org, около 12,4% женщин в США развивают инвазивный рак груди в течение жизни.

Маммография — это метод использования низкоэнергетических рентгеновских лучей для анализа человеческой груди для скрининга и диагностики. Однако плотная ткань может затруднить этот процесс, маскируя рак на маммограмме. Обычно оценка плотности груди зависит от субъективной человеческой оценки. Результаты варьируются у разных рентгенологов по нескольким факторам.

Теперь исследователи из Массачусетской общей больницы (MGH) и MIT создали автоматизированный инструмент, который точно анализирует плотную ткань груди на маммограммах. Это модель глубокого обучения, обученная на десятках тысяч высокочетких цифровых маммограмм, чтобы она научилась различать разные виды тканей груди.

Для новой маммографической картинки инструмент может определить измерение плотности, которое так же надежно, как и у экспертных рентгенологов. Согласно авторам, это первый ИИ такого рода, который был успешно продемонстрирован на пациентах в больнице. Они верят, что эта технология может быть широко внедрена по всей стране и принесет более высокую надежность в оценку тканей груди.

Обучение

Инструмент основан на сверточной нейронной сети, состоящей из нейронов с обучаемыми весами и смещениями. Они обучали и тестировали сеть на богатом наборе данных, содержащем более 58 000 маммографических изображений, случайно взятых у 39 000 женщин, прошедших скрининг с 2009 по 2011 год. Около 41 000 из этих изображений использовались для обучения, и 8600 — для тестирования.

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

1. Гетеротерогенная (в основном плотная)
2. Рассеянная плотность
3. Плотная
4. Жировая

В фазах обучения и тестирования почти 40% были оценены как плотные и гетеротерогенные. На протяжении фазы обучения сеть получала случайные маммографические изображения для оценки. Она постепенно училась отображать маммограммы так, чтобы они тесно соответствовали рейтингам плотности экспертов.

Например, сети жировой ткани груди кажутся более тонкими с серыми участками повсюду, тогда как плотные груди состоят из волокнистой и железистой соединительной ткани, которая выглядит как плотно упакованная сеть сплошных белых участков и толстых белых линий. В фазе тестирования сеть видит новые маммографические изображения и оценивает наиболее вероятную группу плотности.

Источник: RSNA Radiology | doi:10.1148/radiol.2018180694 | MIT

Инструмент был внедрен в отдел маммографической визуализации MGH, где он был установлен на изолированной машине. Обычно маммограмма генерируется и отправляется в учреждение для оценки, которую проводит эксперт-рентгенолог. После всех необходимых исследований он/она присваивает рейтинг плотности каждой маммограмме.

Когда эксперты открывают скан в своем учреждении, они увидят рейтинги, присвоенные этим инструментом глубокого обучения, которые они могут дополнительно отклонить или принять.

Результаты

Сеть обрабатывает одну маммограмму менее чем за секунду и может быть масштабирована по больницам города без больших затрат денег и обширной рабочей силы.

Оценка рентгенолога vs оценка глубокого обучения (DL) для бинарного теста | По предоставлению исследователей

Месяцы январь-май (2018) сеть наблюдала более 10 000 маммографических изображений и смогла достичь 94% согласия среди экспертов в бинарном тесте, где им нужно было определить, являются ли груди либо плотными и гетеротерогенными, либо рассеянными и жировыми. Для всех 4 групп BI-RADS она совпадала с мнением экспертов в 90% случаев.

Оценка рентгенолога vs оценка глубокого обучения (DL) для 4 групп BI-RADS | По предоставлению исследователей

В общем тестировании (на основе обучающего набора данных) сеть совпала с интерпретациями рентгенологов в 87% случаев в бинарных тестах и в 77% — по всем 4 группам BI-RADS.

Читайте также: ИИ может нюхать болезни в выдыхаемом воздухе человека | Включая разные виды рака

Конвенциональные методы предсказания используют метрику под названием kappa-коэффициент, где 1 означает, что оценки совпадают всегда, а более низкие значения — меньше случаев согласия. Для существующих методов Kappa-оценки достигают 0,6, тогда как для новой модели она достигает 0,85 в клиническом применении и 0,76 в общем тестировании. Это четко указывает на то, что новый инструмент делает лучшие оценки, чем конвенциональные техники.