Model uczenia głębokiego umożliwia skuteczniejsze i wcześniejsze wykrywanie nowotworów piersi

Alt tag

Pomimo niekwestionowanej wartości mammografii przesiewowej w wykrywaniu raka piersi, znaczące wskaźniki wyników fałszywie dodatnich i fałszywie ujemnych, stwarzają potencjał do poprawy jakości badania.

Nadzieje na przezwyciężenie tych ograniczeń, pokłada się w metodach głębokiego uczenia, jednak dotychczasowe próby ich zastosowania w analizie mammogramów, wskazały na dwa kluczowe ograniczenia:

  • potrzebę uzyskania dużej ilość danych przeznaczonych do uczenia algorytmów,
    • zapewnienie uniwersalności algorytmu niezależnie od badanej populacji, użytego sprzętu oraz zastosowanej metody.

W czasopiśmie Nature Medicine przedstawiono algorytm uczący się na podstawie 5 dużych zbiorów danych pochodzących z ośrodków w USA, Wielkiej Brytanii i Chin, a jego skuteczność w wykrywaniu nowotworów porównano z obserwacjami 5 ekspertów radiologii wyspecjalizowanych w obrazowaniu piersi.

Zastosowanie algorytmu umożliwiło poprawę parametrów czułości (o 14,2%) i swoistości (o 24%) w wykrywaniu nowotworów na podstawie mammogramów wykonanych do 3 miesięcy przed potwierdzeniem raka w materiale biopsyjnym. Dodatkowo, algorytm umożliwiał wykrycie większej liczby wczesnych nowotworów, na podstawie mammogramów zinterpretowanych jako BI-RADS 1 lub 2, wykonanych 12-24 miesięcy przed stwierdzeniem zmiany podejrzanej przez radiologów. Opisany algorytm ma zastosowanie zarówno w analizie badań mammograficznych, jak i obrazów z tomosyntezy.

Źródło:
Lotter W et al., Robust breast cancer detection in mammography and digital breast tomosynthesis using an annotation-efficient deep learning approach. Nat Med. 2021. doi: 10.1038/s41591-020-01174-9