Automatisiertes System identifiziert dichtes Gewebe, ein Risikofaktor für Brustkrebs, in Mammographien

Forscher vom MIT und Massachusetts General Hospital haben ein automatisiertes Modell entwickelt, das in Mammographien dichtes Brustgewebe beurteilt - was ein unabhängiger Risikofaktor für Brustkrebs ist - so zuverlässig wie Experten Radiologen.

Dies ist das erste Mal, wenn ein Tieflernmodell seiner Art hat sich erfolgreich in einer Klinik an realen Patienten verwendet worden,, nach Ansicht der Forscher. Mit breiter Umsetzung, Die Forscher hoffen, dass das Modell eine höhere Zuverlässigkeit in der gesamten Nation zu Brustdichte Einschätzungen bringen kann helfen.

Es wird geschätzt, dass mehr als 40 Prozent der US-. Frauen haben dichtes Brustgewebe, die allein erhöht das Risiko von Brustkrebs. Außerdem, dichtes Gewebe kann Krebserkrankungen auf der Mammografie maskiert, Herstellung Screening schwieriger. Als Ergebnis, 30 UNS. Staaten Mandat, dass Frauen benachrichtigt werden müssen, wenn ihre Mammographien zeigen sie dichte Brüste.

Aber Brustdichte Einschätzungen beruhen auf subjektive menschliche Beurteilung. Aufgrund vieler Faktoren, Ergebnisse variieren - manchmal dramatisch - über Radiologen. Die MIT und MGH Forscher ausgebildet, um eine tiefLernModell auf Zehntausende von qualitativ hochwertigen digitalen Mammographie lernen verschiedene Arten von Brustgewebe zu unterscheiden, von Fett zu extrem dicht, Auf der Grundlage von Gutachten. Bei einer neuen Mammografie, Das Modell kann dann eine Dichtemessung identifizieren, die mit Gutachten richten eng.

„Brustdichte ist ein unabhängiger Risikofaktor, der treibt, wie wir mit Frauen über ihr Krebsrisiko in Verbindung steht. Unsere Motivation war es, ein genaues und konsistentes Werkzeug zu schaffen, das kann für Gesundheitssysteme geteilt und genutzt werden,“, Sagt Adam Yala, Doktorand in der Informatik und Artificial Intelligence Laboratory des MIT (CSAIL) und die zweite Autor auf einem Papier beschreibt das Modell, das heute veröffentlicht wurde Radiologie.

Die anderen Co-Autoren sind erste Autor Konstanz Lehman, Professor für Radiologie an der Harvard Medical School und den Direktor der Brustbildgebung am MGH; CSAIL Doktorandin Tal Schuster; Kyle Swanson '18, ein CSAIL Forscher und Doktorand in der Fakultät für Elektrotechnik und Informatik; und Senior-Autor Regina Barzilay, das Delta Electronics Professor an CSAIL und die Fakultät für Elektrotechnik und Informatik am MIT und Mitglied des Koch-Instituts für Integrative Cancer Research am MIT.

Mapping Dichte

Das Modell basiert auf einem Faltungs neuronales Netz aufgebaut (CNN), die auch für Computer-Vision-Aufgaben verwendet. Die Forscher geschult und getestet, um deren Modell auf einem Datensatz von mehr als 58,000 Mammogramme zufällig aus mehr als ausgewählten 39,000 Frauen abgeschirmt zwischen 2009 und 2011. Für das Training, sie verwendet um 41,000 Mammographien und, zum Prüfen, Über 8,600 Mammographien.

Jede Mammografie im Datensatz hat eine Standard-Breast Imaging Reporting and Data System (BI-RADS) Brustdichte Bewertung in vier Kategorien: fett-, verstreut (Streudichte), heterogen (meist dicht), und dicht. In beiden Trainings- und Test Mammographien, Über 40 Prozent wurden als heterogene bewertet und dichten.

Während des Trainingsprozesses, das Modell zufällig Mammographien gegeben zu analysieren. Es lernt die Mammografie mit Experten Radiologen Dichte Bewertungen zur Karte. dichte Brust, zum Beispiel, enthalten Drüsen- und Bindegewebe, die erscheinen als kompakte Netzwerke von dicken weißen Linien und festen weißer Flecken. Fettgewebe Netzwerke erscheinen viel dünner, mit grauem Bereich in ganz. bei der Prüfung, das Modell beobachtet neue Mammographien und prognostiziert die wahrscheinlichste Dichte Kategorie.

Passende Assessments

Das Modell wurde an der Brustabbildung Division bei MGH realisiert. In einem herkömmlichen Workflow, wenn eine Mammographie genommen, es ist für einen Radiologen an eine Workstation geschickt zu beurteilen. Die Forscher Modell wird in einer separaten Maschine installiert, die die Scans abfängt, bevor es den Radiologen erreicht, und weist jedem Mammografie eine Dichte Bewertung. Wenn Radiologen ziehen einen Scan an ihren Arbeitsplätzen auf, sie werden das Modell der zugeordneten Bewertung sehen, die sie dann annehmen oder ablehnen.

„Es dauert weniger als eine Sekunde pro Bild ... [und es kann sein,] einfach und kostengünstig überall in Krankenhäusern skaliert.“Yala sagt.

auf über 10,000 Mammographien bei MGH von Januar bis Mai dieses Jahres, das Modell erreicht 94 prozentuale Übereinstimmung unter dem Radiologen des Krankenhauses in einem binären Test - Bestimmung, ob Brüste entweder heterogen waren und dicht, oder fettig und gestreutes. Quer durch alle vier BI-RADS Kategorien, es abgestimmt Radiologen Einschätzungen bei 90 Prozent. „MGH ist ein Top-Brustbildgebung Zentrum mit hohen inter Radiologen Vereinbarung, und diese hohe Qualität Dataset konnten wir ein starkes Modell entwickeln,,“Yala sagt.

Im allgemeinen Test unter Verwendung des ursprünglichen Datensatz, das Modell entsprachen den ursprünglichen menschlichen Experten Interpretationen an 77 Prozent über vier BI-RADS Kategorien und, in binären Tests, die Interpretationen angepasst an 87 Prozent.

Im Vergleich zu herkömmlichen Vorhersagemodellen, Die Forscher verwendeten eine Metrik ein Kappa-Score genannt, woher 1 zeigt an, dass die Prognosen jedes Mal zustimmen, und etwas niedriger gibt wenige Fälle von Vereinbarungen. Kappa Noten für kommerziell erhältliche automatische Dichte-Bewertungsmodelle punkten ein Maximum von etwa 0.6. In der klinischen Anwendung, Das Modell der Forscher hat 0.85 Kappa-Score und, bei der Prüfung, erzielte ein 0.67. Dies bedeutet, dass das Modell eine bessere Vorhersage als herkömmliche Modelle macht.

In einem weiteren Experiment, Die Forscher testeten die Zustimmung des Modells mit Konsens von fünf MGH Radiologen aus 500 Zufallstest Mammographien. Die Radiologen zugewiesen Brustdichte auf die Mammographien ohne Kenntnis der ursprünglichen Bewertung, oder ihre Kollegen oder die Beurteilungen des Modells. In diesem Experiment, das Modell erreichte ein Kappa-Score von 0.78 mit dem Radiologen Konsens.

Quelle:

http://news.mit.edu, von Rob Matheson