Regístrate ahora

Iniciar sesión

Contraseña perdida

Perdiste tu contraseña? Por favor, introduzca su dirección de correo electrónico. Recibirá un enlace y se creará una nueva contraseña por correo electrónico.

Añadir mensaje

Debe iniciar sesión para añadir notas .

Iniciar sesión

Regístrate ahora

Bienvenido a Scholarsark.com! Su registro le conceda el acceso a la utilización de más características de esta plataforma. Puede hacer preguntas, hacer contribuciones o proporcionar respuestas, ver los perfiles de otros usuarios y mucho más. Regístrate ahora!

El sistema automatizado identifica el tejido denso, un factor de riesgo para el cáncer de mama, en las mamografías

Researchers from MIT and Massachusetts General Hospital have developed an automated model that assesses dense breast tissue in mammograms — which is an independent risk factor for breast cancer — as reliably as expert radiologists.

This marks the first time a deep-learning model of its kind has successfully been used in a clinic on real patients, según los investigadores. With broad implementation, los investigadores esperan que el modelo puede ayudar a lograr una mayor fiabilidad de las evaluaciones de densidad de mama en todo el país.

Se estima que más de 40 por ciento de U.S. las mujeres tienen tejido mamario denso, que por sí solo aumenta el riesgo de cáncer de mama. Además, tejido denso puede enmascarar los cánceres en la mamografía, hacer el cribado más difícil. Como resultado, 30 NOSOTROS. estados exigen que las mujeres deben ser notificados si sus mamografías indican que tienen mamas densas.

Sin embargo, las evaluaciones de densidad de mama se basan en la evaluación subjetiva humana. Debido a muchos factores, results vary — sometimes dramatically — across radiologists. The MIT and MGH researchers trained a deep-learning model on tens of thousands of high-quality digital mammograms to learn to distinguish different types of breast tissue, from fatty to extremely dense, based on expert assessments. Given a new mammogram, the model can then identify a density measurement that closely aligns with expert opinion.

“Breast density is an independent risk factor that drives how we communicate with women about their cancer risk. Our motivation was to create an accurate and consistent tool, that can be shared and used across health care systems,” says Adam Yala, estudiante de doctorado en el laboratorio de informática e inteligencia artificial del MIT (CSAIL) and second author on a paper describing the model that was published today in Radiología.

The other co-authors are first author Constance Lehman, professor of radiology at Harvard Medical School and the director of breast imaging at the MGH; CSAIL PhD student Tal Schuster; Kyle Swanson ’18, un estudiante investigador CSAIL y graduado en el Departamento de Ingeniería Eléctrica e Informática; y autor principal Regina Barzilay, el profesor Delta Electronics en CSAIL y el Departamento de Ingeniería Eléctrica e Informática del MIT y miembro del Instituto Koch para la Investigación del Cáncer Integral en el MIT.

densidad de mapeo

El modelo se basa en una red neuronal de convolución (CNN), que también se utiliza para tareas de visión por ordenador. Los investigadores entrenados y probaron su modelo en un conjunto de datos de más de 58,000 randomly selected mammograms from more than 39,000 women screened between 2009 y 2011. For training, they used around 41,000 mammograms and, for testing, acerca de 8,600 mammograms.

Each mammogram in the dataset has a standard Breast Imaging Reporting and Data System (BI-RADS) breast density rating in four categories: fatty, scattered (scattered density), heterogeneous (mostly dense), and dense. In both training and testing mammograms, acerca de 40 percent were assessed as heterogeneous and dense.

During the training process, the model is given random mammograms to analyze. It learns to map the mammogram with expert radiologist density ratings. Dense breasts, por ejemplo, contain glandular and fibrous connective tissue, which appear as compact networks of thick white lines and solid white patches. Fatty tissue networks appear much thinner, with gray area throughout. en las pruebas, the model observes new mammograms and predicts the most likely density category.

Matching assessments

The model was implemented at the breast imaging division at MGH. In a traditional workflow, when a mammogram is taken, se envía a una estación de trabajo para un radiólogo para evaluar. modelo de los investigadores se instala en una máquina separada que intercepta las exploraciones antes de que llegue el radiólogo, y asigna a cada mamografía una calificación densidad. Cuando los radiólogos tire hacia arriba de una exploración en sus estaciones de trabajo, verán calificación asignada del modelo, que luego aceptar o rechazar.

“Se tarda menos una segunda imagen por que ... [y puede ser] fácil y económica a escala en todos los hospitales.”dice Yala.

Por encima 10,000 mamografías en el MGH de enero a mayo de este año, the model achieved 94 percent agreement among the hospital’s radiologists in a binary test — determining whether breasts were either heterogeneous and dense, or fatty and scattered. Across all four BI-RADS categories, it matched radiologists’ assessments at 90 por ciento. “MGH is a top breast imaging center with high inter-radiologist agreement, and this high quality dataset enabled us to develop a strong model,” Yala says.

In general testing using the original dataset, the model matched the original human expert interpretations at 77 percent across four BI-RADS categories and, in binary tests, matched the interpretations at 87 por ciento.

In comparison with traditional prediction models, the researchers used a metric called a kappa score, dónde 1 indicates that predictions agree every time, and anything lower indicates fewer instances of agreements. Kappa scores for commercially available automatic density-assessment models score a maximum of about 0.6. In the clinical application, the researchers’ model scored 0.85 kappa score and, in testing, scored a 0.67. This means the model makes better predictions than traditional models.

In an additional experiment, the researchers tested the model’s agreement with consensus from five MGH radiologists from 500 random test mammograms. The radiologists assigned breast density to the mammograms without knowledge of the original assessment, or their peers’ or the model’s assessments. En este experimento, the model achieved a kappa score of 0.78 with the radiologist consensus.


Fuente:

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

Acerca de Marie

Deja una respuesta

Brillantemente seguro y Centrado en el estudiante Plataforma de aprendizaje 2021