S'inscrire maintenant

S'identifier

Mot de passe perdu

Mot de passe perdu? S'il vous plaît entrer votre adresse e-mail. Vous recevrez un lien et créez un nouveau mot de passe par e-mail.

Ajouter un enregistrement

Vous devez vous connecter pour ajouter après .

S'identifier

S'inscrire maintenant

Bienvenue sur Scholarsark.com! Votre inscription vous donnera accès à l'utilisation de plus de fonctionnalités de cette plate-forme. Vous pouvez poser des questions, apporter des contributions ou de fournir des réponses, Voir les profils d'autres utilisateurs et bien plus encore. inscrire maintenant!

Système automatisé identifie le tissu dense, un facteur de risque pour le cancer du sein, dans mammographies

Les chercheurs du MIT et de Massachusetts General Hospital ont mis au point un modèle automatisé qui évalue le tissu mammaire dense dans mammographies - qui est un facteur de risque indépendant pour le cancer du sein - aussi fiable que les radiologues experts.

Ceci marque la première fois un modèle d'apprentissage profond du genre a été utilisé avec succès dans une clinique sur des patients réels, selon les chercheurs. Avec une large mise en œuvre, les chercheurs espèrent que le modèle peut aider à apporter une plus grande fiabilité à des évaluations de la densité du sein à travers le pays.

On estime que plus de 40 pour cent des Americains. les femmes ont des tissus mammaires denses, ce qui augmente seul le risque de cancer du sein. en outre, tissu dense peut masquer les cancers de la mammographie, rendant plus difficile le dépistage. Par conséquent, 30 NOUS. États mandat que les femmes doivent être informés si leurs mammographies indiquent qu'ils ont des seins denses.

Mais les évaluations de la densité du sein se fondent sur l'évaluation humaine subjective. En raison de nombreux facteurs, les résultats varient - parfois de façon spectaculaire - à travers les radiologues. Les chercheurs du MIT et MGH formation d'un modèle d'apprentissage en profondeur sur des dizaines de milliers de mammographies numériques de haute qualité pour apprendre à distinguer les différents types de tissus du sein, de gras à très dense, en fonction des évaluations d'experts. Étant donné une nouvelle mammographie, le modèle peut alors identifier une mesure de densité qui aligne étroitement avec l'opinion d'experts.

« La densité mammaire est un facteur de risque indépendant qui pousse la façon dont nous communiquons avec les femmes au sujet de leur risque de cancer. Notre motivation était de créer un outil précis et cohérent, qui peuvent être partagées et utilisées dans les systèmes de soins de santé,», Dit Adam Yala, un étudiant de doctorat dans le laboratoire informatique et d'intelligence artificielle du MIT (CSAIL) and second author on a paper describing the model that was published today in Radiologie.

Les autres co-auteurs sont d'abord auteur Constance Lehman, professeur de radiologie à la Harvard Medical School et le directeur de l'imagerie du sein à l'HGM; CSAIL doctorant Tal Schuster; Kyle '18 Swanson, un étudiant chercheur CSAIL et diplômé du Département de génie électrique et informatique; et auteur principal Regina Barzilay, le professeur Delta Electronics à CSAIL et le Département de génie électrique et informatique au MIT et membre de l'Institut Koch intégratif Cancer Research du MIT.

Densité de cartographie

Le modèle est basé sur un réseau neuronal convolutif (CNN), qui est également utilisé pour des tâches de vision par ordinateur. Les chercheurs formés et ont testé leur modèle sur un ensemble de données de plus de 58,000 mammographies choisis au hasard à partir de plus de 39,000 femmes dépistées entre 2009 et 2011. Pour s'entraîner, ils ont utilisé autour 41,000 mammographies et, pour tester, sur 8,600 mammographies.

Chaque mammographie dans l'ensemble de données a une norme de déclaration d'imagerie du sein et système de données (BI-RADS) Évaluation de la densité du sein en quatre catégories: gras, épars (densité dispersée), hétérogène (la plupart du temps dense), et dense. Dans les deux mammographies de formation et d'essai, sur 40 pour cent ont été évalués comme hétérogène et dense.

Au cours du processus de formation, le modèle est donné mammographies au hasard pour analyser. Il apprend à cartographier la mammographie ayant une note densité de radiologue expert. seins denses, par exemple, contenir le tissu conjonctif fibreux et glandulaire, qui apparaissent sous forme de réseaux compacts de lignes blanches épaisses et des taches blanches solides. réseaux de tissus gras semblent beaucoup plus minces, avec zone grise à travers. dans les essais, le modèle observe de nouvelles mammographies et prédit la catégorie de densité la plus probable.

évaluations Matching

Le modèle a été mis en œuvre à la division d'imagerie du sein au MGH. Dans un flux de travail traditionnel, quand une mammographie est prise, il est envoyé à un poste de travail pour un radiologue d'évaluer. Le modèle de chercheurs est installé dans une machine distincte qui intercepte les documents numérisés avant qu'il atteigne le radiologue, et attribue à chaque mammogramme une cote de densité. Lorsque radiologues tirer une analyse à leurs postes de travail, ils verront la note attribuée du modèle, qu'ils ont ensuite accepter ou rejeter.

« Il faut moins d'une seconde par image ... [et il peut être] facilement et à peu de frais mis à l'échelle à travers les hôpitaux. » dit Yala.

En plus 10,000 mammographies à MGH de Janvier à mai de cette année, le modèle réalisé 94 pour cent accord entre les radiologues de l'hôpital dans un test binaire - déterminer si les seins étaient soit hétérogène et dense, ou gras et dispersés. Dans les quatre catégories BI-RADS, il correspond évaluations des radiologues à 90 pour cent. « MGH est un centre d'imagerie du sein en haut avec une grande accord inter-radiologue, et cet ensemble de données de haute qualité nous a permis de développer un modèle solide,» Dit Yala.

Dans l'essai général en utilisant l'ensemble de données d'origine, le modèle correspondait aux interprétations des experts de l'homme d'origine à 77 pour cent dans quatre catégories BI-RADS et, dans les tests binaires, adapté à l'interprétation 87 pour cent.

En comparaison avec des modèles de prévision traditionnels, les chercheurs ont utilisé une mesure appelée un score kappa, où 1 indique que les prévisions sont d'accord à chaque fois, et tout indique moins d'accords moins de cas. Kappa scores pour les modèles densité d'évaluation automatique disponibles dans le commerce marquer un maximum d'environ 0.6. Dans l'application clinique, le modèle des chercheurs a marqué 0.85 Le score kappa et, dans les essais, a marqué un 0.67. Cela signifie que le modèle fait de meilleures prédictions que les modèles traditionnels.

Dans une expérience supplémentaire, les chercheurs ont testé l'accord de modèle avec un consensus de cinq radiologues de MGH 500 mammographies de test au hasard. Les radiologues assignés densité du sein aux mammographies sans connaissance de l'évaluation initiale, ou de leurs pairs ou les évaluations du modèle. Dans cette expérience, le modèle a obtenu un score kappa de 0.78 avec le consensus radiologue.


La source:

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

Sur Marie

Laisser une réponse

Brillamment sûr et Centré sur l'étudiant Plateforme d'apprentissage 2021