sistema automatizado identifica tecido denso, um factor de risco para o cancro da mama, em mamografias

Pesquisadores do MIT e Massachusetts General Hospital desenvolveram um modelo automatizado que avalia tecido denso da mama em mamografias - que é um fator de risco independente para o câncer de mama - uma forma confiável como radiologistas especialistas.

Isto marca a primeira vez que um modelo de aprendizagem profunda de seu tipo foi utilizado com sucesso em uma clínica em pacientes reais, de acordo com os pesquisadores. Com a implementação ampla, os pesquisadores esperam que o modelo pode ajudar a trazer maior confiabilidade às avaliações de densidade da mama em todo o país.

Estima-se que mais de 40 por cento dos U.S. as mulheres têm tecido mamário denso, que por si só aumenta o risco de cancro da mama. Além disso, tecido denso pode mascarar cânceres na mamografia, fazendo triagem mais difícil. Como um resultado, 30 NOS. estados mandato que as mulheres devem ser notificado se as mamografias indicam que eles têm mamas densas.

Mas as avaliações de densidade da mama dependem de avaliação subjetiva humana. Devido a muitos fatores, resultados variam - por vezes dramaticamente - através radiologistas. Os pesquisadores do MIT e MGH treinou um modelo de aprendizagem profunda em dezenas de milhares de mamografias digitais de alta qualidade para aprender a distinguir diferentes tipos de tecido mamário, de fatty a extremamente densa, com base em avaliações de peritos. Dada uma nova mamografia, o modelo pode, então, identificar uma medição de densidade que de perto se alinha com a opinião de especialistas.

“Densidade da mama é um fator de risco independente que dirige como nos comunicamos com as mulheres sobre o risco de câncer. Nossa motivação foi criar uma ferramenta precisa e consistente, que pode ser compartilhado e utilizado em todos os sistemas de cuidados de saúde,”Diz Adam Yala, um estudante de PhD no Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) e segundo autor em um artigo descrevendo o modelo que foi publicado hoje no Radiologia.

Os outros co-autores são primeiro autor Constance Lehman, professor de radiologia na Harvard Medical School e diretor de imagem da mama no MGH; CSAIL doutorando Tal Schuster; Kyle Swanson '18, um estudante pesquisador CSAIL e pós-graduação no Departamento de Engenharia Elétrica e Ciência da Computação; e autor sênior Regina Barzilay, o Delta Professor Electronics em CSAIL e do Departamento de Engenharia Elétrica e Ciência da Computação do MIT e membro do Instituto Koch para Pesquisa do Câncer Integrative no MIT.

densidade de mapeamento

O modelo é construído sobre uma rede neural convolutional (CNN), que também é usado para tarefas de visão computacional. Os pesquisadores treinados e testados seu modelo em um conjunto de dados de mais de 58,000 seleccionados aleatoriamente a partir de mais do que mamografias 39,000 mulheres selecionados entre 2009 e 2011. Para treinamento, eles usaram em torno 41,000 mamografias e, para testes, sobre 8,600 mamografias.

Cada mamografia no conjunto de dados tem um Breast Imaging Reporting padrão e sistema de dados (BI-RADS) classificação densidade da mama em quatro categorias: gordinho, disperso (densidade dispersa), heterogéneo (principalmente densa), e denso. Em ambos treinamento e testes mamografias, sobre 40 por cento foram avaliadas como heterogénea e densa.

Durante o processo de formação, o modelo é dada mamografias aleatórios para analisar. Ele aprende a mapear a mamografia com classificações densidade perito radiologista. mamas densas, por exemplo, contêm tecido conjuntivo fibroso e glandular, que aparecem como redes compactos de linhas brancas espessas e manchas brancas sólidas. redes de tecido adiposo parecem muito mais fino, com área cinzenta ao longo. em testes, o modelo observa novas mamografias e prevê a categoria densidade mais provável.

avaliações de correspondência

O modelo foi implementado na divisão de imagem da mama no MGH. Em um fluxo de trabalho tradicional, quando uma mamografia é tomada, ele é enviado para uma estação de trabalho para um radiologista para avaliar. modelo dos pesquisadores é instalado em uma máquina separada que intercepta os exames antes que ele atinja o radiologista, e atribui a cada um mamograma classificação densidade. Quando radiologistas puxe uma varredura em suas estações de trabalho, eles vão ver o rating atribuído do modelo, que então aceitar ou rejeitar.

“Demora menos de uma imagem de segundo por ... [e pode ser] fácil e barata escalado em todo hospitais.”, diz Yala.

Por cima 10,000 mamografias no MGH de janeiro a maio deste ano, o modelo alcançado 94 percentagem de concordância entre os radiologistas do hospital em um teste binário - determinar se os seios eram ou heterogénea e densa, ou gordo e dispersa. Em todas as quatro categorias BI-RADS, que combinava avaliações Radiologistas em 90 por cento. “MGH é um centro de imagens de mama superior com alta concordância inter-radiologista, e este conjunto de dados de alta qualidade nos permitiu desenvolver um modelo forte,”Yala diz.

Em testes em geral, utilizando o conjunto de dados originais, o modelo combinava com as interpretações originais de especialistas humanos em 77 por cento em quatro categorias BI-RADS e, em testes binários, combinou com as interpretações 87 por cento.

Em comparação com os modelos tradicionais de previsão, os pesquisadores usaram uma métrica chamada pontuação kappa, Onde 1 indica que as previsões concordam sempre, e qualquer coisa menor indica menos instâncias de acordos. As pontuações Kappa para modelos automáticos de avaliação de densidade disponíveis comercialmente pontuam um máximo de cerca de 0.6. Na aplicação clínica, o modelo dos pesquisadores marcou 0.85 pontuação kappa e, em teste, marcou um 0.67. Isto significa que o modelo faz previsões melhores do que os modelos tradicionais.

Numa experiência adicional, os pesquisadores testaram a concordância do modelo com consenso de cinco radiologistas MGH de 500 mamografias de ensaio aleatórios. Os radiologistas atribuídos densidade da mama para as mamografias sem o conhecimento da avaliação original, ou seus pares ou avaliações do modelo. Neste experimento, o modelo alcançou uma pontuação kappa de 0.78 com o consenso radiologista.

Fonte:

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