Согласно новому исследованию, опубликованному в журнале Radiology, исследователи из двух крупных учреждений разработали новый инструмент с передовыми методами искусственного интеллекта (ИИ) для прогнозирования будущего риска рака груди у женщины.
Выявление женщин, подверженных риску рака груди, является важным компонентом эффективного раннего выявления заболеваний. Однако доступные модели, в которых используются такие факторы, как семейный анамнез и генетика, не позволяют предсказать вероятность того, что у отдельной женщины будет диагностировано заболевание.
Плотность груди – количество плотной ткани по сравнению с количеством жировой ткани в груди на маммограмме – является независимым фактором риска рака груди, который был добавлен в некоторые модели для улучшения оценки риска. Он основан на субъективной оценке, которая может варьироваться в зависимости от радиолога, поэтому глубокое обучение, подмножество ИИ, в котором компьютеры учатся на собственном примере, изучается как способ стандартизации и автоматизации этих измерений.
"Маммограмма содержит гораздо больше информации, чем просто четыре категории плотности груди," сказал ведущий автор исследования Адам Яла, Ph.D. кандидат Массачусетского технологического института (MIT) в Кембридже, Массачусетс. "Используя модель глубокого обучения, мы узнаем тонкие подсказки, указывающие на рак в будущем."
Яла, совместно с Региной Барзилай, Ph.D., эксперт в области искусственного интеллекта и профессор Массачусетского технологического института, и Констанс Леман, магистр медицины.D., Ph.D., руководитель отделения визуализации груди в Массачусетской больнице общего профиля (MGH) в Бостоне и профессор радиологии Гарвардской медицинской школы недавно сравнили три различных подхода к оценке риска. Первая модель основывалась на традиционных факторах риска, вторая – на глубоком обучении, в котором использовалась только маммограмма, а третья – на гибридном подходе, который включал маммографию и традиционные факторы риска в модель глубокого обучения.
Исследователи использовали почти 90000 скрининговых маммограмм с полным разрешением от около 40000 женщин для обучения, проверки и тестирования модели глубокого обучения. Они смогли получить результаты лечения рака через привязку к региональному реестру опухолей.
Модели глубокого обучения позволили значительно улучшить распознавание рисков по сравнению с моделью Тайрера-Кузика, современным клиническим стандартом, в котором для учета риска используется плотность груди. Сравнивая гибридную модель глубокого обучения с плотностью груди, исследователи обнаружили, что у пациентов с не плотной грудью и высоким риском, оцененным по модели, было 3.Заболеваемость раком в 9 раз выше, чем у пациентов с плотной грудью и низким риском, по оценкам модели. Преимущества, имеющиеся у разных подгрупп женщин.
"В отличие от традиционных моделей, наша модель глубокого обучения одинаково хорошо работает для разных рас, возрастов и семейных историй," Доктор. Барзилай сказал. "До сих пор афроамериканские женщины находились в явном невыгодном положении из-за наличия точной оценки риска рака груди в будущем. Наша модель ИИ изменила это."
"Маммограмма с полным разрешением содержит очень большой объем информации, которую модели риска рака груди не могли использовать до недавнего времени," Яла добавила. "Используя глубокое обучение, мы можем научиться использовать эту информацию непосредственно из данных и создавать модели, которые будут значительно более точными для различных групп населения."
Измерения плотности груди с помощью искусственного интеллекта уже используются для скрининга маммограмм, выполняемых в MGH. Исследователи отслеживают его эффективность в клинике, работая над совершенствованием способов передачи информации о рисках женщинам и их лечащим врачам.
"Недостающим элементом для поддержки более эффективных и более персонализированных программ скрининга были инструменты оценки рисков, которые легко внедрить и которые работают со всем разнообразием женщин, которых мы обслуживаем," Доктор. Lehman сказал. "Мы в восторге от наших результатов и стремимся тесно сотрудничать с нашими системами здравоохранения, поставщиками медицинских услуг и, что наиболее важно, с нашими пациентами, чтобы использовать это открытие для улучшения результатов для всех женщин."