Zautomatyzowany system identyfikuje gęstą tkankę, czynnik ryzyka raka piersi, w mammogramach

Naukowcy z MIT i Massachusetts General Hospital opracowali zautomatyzowany model, który ocenia gęstą tkankę piersi na mammogramach — co jest niezależnym czynnikiem ryzyka raka piersi — równie rzetelnie, jak eksperci radiolodzy.

Po raz pierwszy tego rodzaju model głębokiego uczenia się został z powodzeniem zastosowany w klinice na prawdziwych pacjentach, według badaczy. Z szerokim wdrożeniem, naukowcy mają nadzieję, że model może pomóc w zapewnieniu większej wiarygodności ocen gęstości piersi w całym kraju.

Szacuje się, że ponad 40 procent USA. kobiety mają gęstą tkankę piersi, co samo w sobie zwiększa ryzyko raka piersi. Ponadto, gęsta tkanka może maskować nowotwory na mammografii, utrudnianie badań przesiewowych. W rezultacie, 30 NAS. stwierdza, że ​​kobiety muszą być powiadamiane, jeśli ich mammografia wykaże, że mają gęste piersi.

Ale oceny gęstości piersi opierają się na subiektywnej ocenie człowieka. Ze względu na wiele czynników, wyniki różnią się — czasami dramatycznie — u różnych radiologów. Naukowcy z MIT i MGH przeszkolili model głębokiego uczenia się na dziesiątkach tysięcy wysokiej jakości cyfrowych mammogramów, aby nauczyć się rozróżniać różne rodzaje tkanki piersi, od tłustego do niezwykle gęstego, na podstawie ocen ekspertów. Otrzymała nową mammografię, model może następnie zidentyfikować pomiar gęstości, który jest ściśle zgodny z opinią eksperta.

„Gęstość piersi jest niezależnym czynnikiem ryzyka, który wpływa na sposób, w jaki komunikujemy się z kobietami na temat ich ryzyka zachorowania na raka. Naszą motywacją było stworzenie dokładnego i spójnego narzędzia, które mogą być udostępniane i wykorzystywane w różnych systemach opieki zdrowotnej,” mówi Adam Yala, doktorant w Laboratorium Informatyki i Sztucznej Inteligencji MIT (CSAIL) i drugi autor w artykule opisującym model, który został opublikowany dzisiaj w: Radiologia.

Pozostali współautorzy to pierwsza autorka Constance Lehman, profesor radiologii w Harvard Medical School i dyrektor obrazowania piersi w MGH; Doktorant CSAIL Tal Schuster; Kyle Swanson ’18, pracownik naukowy CSAIL i doktorant na Wydziale Elektrotechniki i Informatyki; i starsza autorka Regina Barzilay, profesor Delta Electronics w CSAIL i Department of Electrical Engineering and Computer Science w MIT oraz członek Koch Institute for Integrative Cancer Research w MIT.

Gęstość mapowania

Model jest zbudowany na splotowej sieci neuronowej (CNN), który jest również używany do zadań widzenia komputerowego. Naukowcy przeszkolili i przetestowali swój model na zbiorze danych obejmującym ponad 58,000 losowo wybrane mammogramy z ponad 39,000 kobiety badane między 2009 oraz 2011. Na trening, używali w pobliżu 41,000 mammogramy i, dla testów, o 8,600 mammografia.

Każdy mammogram w zbiorze danych ma standardowe raportowanie i system danych obrazowania piersi (BI-RADY) ocena gęstości piersi w czterech kategoriach: tłuszczowy, rozsiany (rozproszona gęstość), heterogeniczny (przeważnie gęsty), i gęsty. Zarówno w szkoleniu, jak i badaniu mammogramów, o 40 procent oceniono jako niejednorodny i gęsty.

W trakcie szkolenia, model otrzymuje losowe mammogramy do analizy. Uczy się mapować mammografię z ocenami gęstości eksperta radiologa. Gęste piersi, na przykład, zawierają gruczołową i włóknistą tkankę łączną, które wyglądają jak zwarte sieci grubych białych linii i jednolitych białych plam. Sieci tkanki tłuszczowej wydają się znacznie cieńsze, z szarą strefą w całym tekście. W testach, model obserwuje nowe mammogramy i przewiduje najbardziej prawdopodobną kategorię gęstości.

Dopasowane oceny

Model został wdrożony w dziale obrazowania piersi w MGH. W tradycyjnym obiegu pracy, kiedy wykonywana jest mammografia, jest wysyłany na stanowisko do oceny przez radiologa. Model badaczy jest zainstalowany w oddzielnej maszynie, która przechwytuje skany, zanim dotrą do radiologa, i przypisuje każdemu mammogramowi ocenę gęstości. Kiedy radiolodzy wykonują skan na swoich stanowiskach pracy, zobaczą przypisaną ocenę modelowi, które następnie akceptują lub odrzucają.

„Zajmuje to mniej niż sekundę na zdjęcie… [i może być] łatwo i tanio skalowane w szpitalach.” Yala mówi.

Na koniec 10,000 mammogramy w MGH od stycznia do maja br., osiągnięty model 94 procentowa zgodność wśród szpitalnych radiologów w teście binarnym — określająca, czy piersi były niejednorodne i gęste, lub tłuste i rozproszone. We wszystkich czterech kategoriach BI-RADS, odpowiadało ocenie radiologów w 90 procent. „MGH jest czołowym ośrodkiem obrazowania piersi o wysokim porozumieniu między radiologami”, a ten wysokiej jakości zestaw danych umożliwił nam opracowanie silnego modelu,” Yala mówi.

W ogólnych testach przy użyciu oryginalnego zbioru danych, model pasował do oryginalnych interpretacji ludzkich ekspertów w 77 procent w czterech kategoriach BI-RADS i, w testach binarnych, dopasowane interpretacje w 87 procent.

W porównaniu z tradycyjnymi modelami predykcyjnymi, naukowcy zastosowali wskaźnik zwany punktacją kappa, gdzie 1 wskazuje, że prognozy są zgodne za każdym razem, a wszystko, co niższe, wskazuje na mniejszą liczbę przypadków porozumień. Punktacja Kappa dla dostępnych na rynku modeli automatycznej oceny gęstości wynosi maksymalnie około 0.6. W zastosowaniu klinicznym, punktacja modelu badaczy 0.85 wynik kappa i, w testach, zdobył 0.67. Oznacza to, że model daje lepsze prognozy niż tradycyjne modele.

W dodatkowym eksperymencie, naukowcy przetestowali zgodność modelu z konsensusem pięciu radiologów MGH z 500 losowe badania mammograficzne. Radiolodzy przypisali gęstość piersi do mammografii bez znajomości pierwotnej oceny, lub oceny ich rówieśników lub modela. W tym eksperymencie, model uzyskał wynik kappa 0.78 z konsensusem radiologów.

Źródło:

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