Registreer nu

Log in

vergeten wachtwoord

Wachtwoord vergeten? Vul alstublieft uw e-mail adres in. U ontvangt een link ontvangen en zal een nieuw wachtwoord via e-mail te creëren.

bericht toevoegen

Je moet inloggen om bericht toe te voegen .

Log in

Registreer nu

Welkom bij Scholarsark.com! Uw inschrijving krijgt u toegang te verlenen tot het gebruik van meer kenmerken van dit platform. U kunt vragen stellen, maken bijdragen of antwoorden bieden, bekijk profielen van andere gebruikers en nog veel meer. Registreer nu!

Automated system identifies dense tissue, een risicofactor voor borstkanker, in mammogrammen

dat is een onafhankelijke risicofactor voor borstkanker - - zo betrouwbaar expert radiologen Onderzoekers van MIT en Massachusetts General Hospital hebben een geautomatiseerde model dat dicht borstweefsel in mammogrammen beoordeelt ontwikkeld.

Dit is de eerste keer dat een diep-learning model in zijn soort is met succes gebruikt in een kliniek op echte patiënten, volgens de onderzoekers. Met brede implementatie, hopen de onderzoekers het model kan bijdragen tot een betere betrouwbaarheid borstdichtheid assessments in het hele land.

Het is geschat dat meer dan 40 procent van het Amerikaanse. vrouwen hebben dicht borstweefsel, die alleen verhoogt het risico op borstkanker. Bovendien, dichte weefsel kan kanker masker op het mammogram, waardoor screening moeilijker. Als gevolg, 30 ONS. staten mandaat dat vrouwen moeten worden aangemeld als hun mammogrammen aangeven dat ze hebben dichte borsten.

Maar borstdichtheid evaluaties vertrouwen op subjectieve menselijke beoordeling. Door de vele factoren, de resultaten variëren - soms dramatisch - aan de overkant van radiologen. De MIT en MGH onderzoekers opgeleid een diep-learning model op tienduizenden van hoge kwaliteit digitale mammogrammen te leren om verschillende soorten van het borstweefsel te onderscheiden, van vette tot zeer dichte, op basis van expertises. Gegeven een nieuwe mammogram, het model kan dan bepaalde dichtheidsmeting die nauw aansluit bij expert opinion.

“Breast dichtheid is een onafhankelijke risicofactor die rijdt de manier waarop we communiceren met vrouwen over hun risico op kanker. Onze motivatie was om een ​​accurate en consistente instrument te creëren, die kunnen worden gedeeld en gebruikt in de systemen voor gezondheidszorg,”Zegt Adam Yala, een promovendus in Computer Science and Artificial Intelligence Laboratory van MIT (LCS) and second author on a paper describing the model that was published today in Radiologie.

De andere co-auteurs zijn eerste auteur Constance Lehman, hoogleraar radiologie aan de Harvard Medical School en de directeur van borstkanker beeldvorming bij de MGH; LCS promovendus Tal Schuster; Kyle Swanson '18, a CSAIL researcher and graduate student in the Department of Electrical Engineering and Computer Science; and senior author Regina Barzilay, the Delta Electronics Professor at CSAIL and the Department of Electrical Engineering and Computer Science at MIT and a member of the Koch Institute for Integrative Cancer Research at MIT.

Mapping density

The model is built on a convolutional neural network (CNN), which is also used for computer vision tasks. The researchers trained and tested their model on a dataset of more than 58,000 randomly selected mammograms from more than 39,000 women screened between 2009 en 2011. For training, they used around 41,000 mammograms and, om uit te proberen, wat betreft 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: vet, scattered (scattered density), heterogeneous (mostly dense), and dense. In both training and testing mammograms, wat betreft 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, bijvoorbeeld, 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. bij het testen, 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, it’s sent to a workstation for a radiologist to assess. The researchers’ model is installed in a separate machine that intercepts the scans before it reaches the radiologist, and assigns each mammogram a density rating. When radiologists pull up a scan at their workstations, they’ll see the model’s assigned rating, which they then accept or reject.

“It takes less than a second per image … [and it can be] easily and cheaply scaled throughout hospitals.” Yala says.

On over 10,000 mammograms at MGH from January to May of this year, 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 procent. “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 procent.

In comparison with traditional prediction models, the researchers used a metric called a kappa score, waar 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. in plaats van compromissen te sluiten tussen wat is ontworpen en wat zou kunnen worden geïmplementeerd - wat meestal gebeurt bij het gebruik van standaard microfabricage, the model achieved a kappa score of 0.78 with the radiologist consensus.


Bron:

http://news.mit.edu, een professor in elektrotechniek aan de Stanford University

Wat betreft Marie

Laat een antwoord achter

Briljant Veilig & Studentgericht Leerplatform 2021