Automatisert system identifiserer tett vev, en risikofaktor for brystkreft, ved mammografi

Forskere fra MIT og Massachusetts General Hospital har utviklet en automatisert modell som vurderer tett brystvev i mammografi - som er en uavhengig risikofaktor for brystkreft - like pålitelig som ekspertradiologer.

Dette er første gang en dyplæringsmodell av sitt slag har blitt brukt på en klinikk på ekte pasienter, ifølge forskerne. Med bred gjennomføring, forskerne håper modellen kan bidra til å gi større pålitelighet til brysttetthetsvurderinger over hele landet.

Det er anslått at mer enn 40 prosent av U.S. kvinner har tett brystvev, som alene øker risikoen for brystkreft. Dessuten, tett vev kan maskere kreft på mammografi, gjør screening vanskeligere. Som et resultat, 30 OSS. Statens mandat at kvinner skal varsles hvis mammografi viser at de har tette bryster.

Men vurderinger av brysttetthet er avhengige av subjektiv menneskelig vurdering. På grunn av mange faktorer, resultatene varierer - noen ganger dramatisk - mellom radiologer. MIT- og MGH-forskerne trente en dyplæringsmodell på titusenvis av digitale mammografier av høy kvalitet for å lære å skille forskjellige typer brystvev, fra fett til ekstremt tett, basert på ekspertvurderinger. Gitt en ny mammografi, modellen kan deretter identifisere en tetthetsmåling som stemmer godt overens med ekspertuttalelser.

"Brysttetthet er en uavhengig risikofaktor som styrer hvordan vi kommuniserer med kvinner om deres kreftrisiko. Vår motivasjon var å lage et nøyaktig og konsistent verktøy, som kan deles og brukes på tvers av helsevesenet,sier Adam Yala, en doktorgradsstudent ved MITs informatikk- og kunstig intelligenslaboratorium (CSAIL) og andre forfatter på et papir som beskriver modellen som ble publisert i dag i Radiologi.

De andre medforfatterne er førsteforfatter Constance Lehman, professor i radiologi ved Harvard Medical School og direktør for brystavbildning ved MGH; CSAIL PhD-student Tal Schuster; Kyle Swanson ’18, en CSAIL-forsker og hovedfagsstudent ved Institutt for elektroteknikk og informatikk; og seniorforfatter Regina Barzilay, Delta Electronics Professor ved CSAIL og Institutt for elektroteknikk og informatikk ved MIT og medlem av Koch Institute for Integrative Cancer Research ved MIT.

Kartleggingstetthet

Modellen er bygget på et konvolusjonelt nevralt nettverk (Nøkkelbegrepene for datasyn), som også brukes til datasynsoppgaver. Forskerne trente og testet modellen sin på et datasett på mer enn 58,000 tilfeldig utvalgte mammografier fra mer enn 39,000 kvinner screenet mellom 2009 og 2011. For trening, de brukte rundt 41,000 mammografi og, for testing, Om 8,600 mammografi.

Hvert mammografi i datasettet har et standard brystbilderapporterings- og datasystem (BI-RADS) brysttetthetsvurdering i fire kategorier: fet, spredt (spredt tetthet), heterogen (stort sett tett), og tett. Både i trening og testing av mammografi, Om 40 prosent ble vurdert som heterogene og tette.

Under treningsprosessen, modellen får tilfeldige mammografier for å analysere. Den lærer å kartlegge mammografi med ekspertradiologets tetthetsvurderinger. Tette bryster, for eksempel, inneholder kjertel- og fibrøst bindevev, som fremstår som kompakte nettverk av tykke hvite linjer og solide hvite flekker. Fettvevsnettverk virker mye tynnere, med gråsone gjennomgående. Ved å holde ankelen låst, modellen observerer nye mammografier og forutsier den mest sannsynlige tetthetskategorien.

Samsvarende vurderinger

Modellen ble implementert ved brystavbildningsavdelingen ved MGH. I en tradisjonell arbeidsflyt, når en mammografi tas, det sendes til en arbeidsstasjon for en radiolog å vurdere. Forskernes modell er installert i en egen maskin som fanger opp skanningene før den når radiologen, og tildeler hvert mammografi en tetthetsvurdering. Når radiologer trekker opp en skanning på arbeidsstasjonene sine, de vil se modellens tildelte vurdering, som de så godtar eller avviser.

"Det tar mindre enn et sekund per bilde ... [og det kan være] enkelt og billig skalert på hele sykehus.» sier Yala.

På over 10,000 mammografi ved MGH fra januar til mai i år, modellen oppnådd 94 prosent enighet blant sykehusets radiologer i en binær test – som bestemmer om brystene enten var heterogene og tette, eller fet og spredt. På tvers av alle fire BI-RADS-kategoriene, det samsvarte med radiologenes vurderinger kl 90 prosent. "MGH er et førsteklasses brystavbildningssenter med høy interradiologavtale, og dette datasettet av høy kvalitet gjorde det mulig for oss å utvikle en sterk modell,sier Yala.

Generelt testing med det originale datasettet, modellen samsvarte med de originale menneskelige eksperttolkningene på 77 prosent på tvers av fire BI-RADS-kategorier og, i binære tester, samsvarte med tolkningene kl 87 prosent.

Sammenlignet med tradisjonelle prediksjonsmodeller, forskerne brukte en beregning kalt en kappa-score, hvor 1 indikerer at spådommene stemmer overens hver gang, og noe lavere indikerer færre tilfeller av avtaler. Kappa-score for kommersielt tilgjengelige automatiske tetthetsvurderingsmodeller scorer maksimalt ca 0.6. I den kliniske applikasjonen, forskernes modell skåret 0.85 kappa score og, i testing, scoret a 0.67. Dette betyr at modellen gir bedre spådommer enn tradisjonelle modeller.

I et ekstra eksperiment, forskerne testet modellens avtale med konsensus fra fem MGH-radiologer fra 500 tilfeldige test mammografi. Radiologene tildelte mammografiene brysttetthet uten kunnskap om den opprinnelige vurderingen, eller deres jevnaldrendes eller modellens vurderinger. I dette eksperimentet, modellen oppnådde en kappa-score på 0.78 med radiologens konsensus.

Kilde:

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