Nieuwe AI detecteert borstkanker door mammografische weefseldichtheid te analyseren

• Nieuw deep learning-model analyseert borstweefsel in mammogrammen en schat de dichtheidsclassificaties nauwkeurig.
• Deze beoordelingen zijn een onafhankelijke risicofactor voor borstkanker.
• Het model heeft minder dan een seconde nodig om één mammogram te verwerken en het kan gemakkelijk worden geschaald in ziekenhuizen.

In de Verenigde Staten zijn de sterftecijfers voor borstkanker significant hoger dan bij elke andere vorm van kanker, behalve longkanker (bij vrouwen). Volgens de breastcancer.org krijgt ongeveer 12,4 procent van de vrouwen in de VS in de loop van hun leven invasieve borstkanker.

Mammografie is een methode om röntgenstralen met een laag vermogen te gebruiken om de menselijke borst te analyseren voor screening en diagnose. Dicht weefsel kan dit proces echter bemoeilijken door kankers op het mammogram te maskeren. Meestal hangt de evaluatie van de borstdichtheid af van de subjectieve menselijke beoordeling. De uitkomsten verschillen per radioloog vanwege verschillende factoren.

Nu hebben de onderzoekers van het Massachusetts General Hospital (MGH) en MIT een geautomatiseerd hulpmiddel gebouwd dat dicht borstweefsel in mammogrammen nauwkeurig analyseert. Het is een diepgaand lerend model dat is getraind op tienduizenden high-definition digitale mammogrammen, zodat het kan leren onderscheid te maken tussen verschillende soorten borstweefsel.

Met een nieuw mammografisch beeld kunnen de tools een dichtheidsmeting detecteren die net zo betrouwbaar is als deskundige radiologen. Volgens de auteurs is dit de eerste AI in zijn soort die met succes is aangetoond bij patiënten in het ziekenhuis. Ze zijn van mening dat deze technologie breed in het hele land kan worden geïmplementeerd en dat het een grotere betrouwbaarheid zal opleveren voor beoordelingen van borstweefsel.

Training

De tool is gebaseerd op een convolutief neuraal netwerk dat bestaat uit neuronen met leerbare gewichten en vooroordelen. Ze trainden en testten het netwerk op een uitgebreide dataset met meer dan 58.000 mammografische afbeeldingen die willekeurig werden genomen van 39.000 vrouwen die werden gescreend van 2009 tot 2011. Ongeveer 41.000 van deze afbeeldingen werden gebruikt voor training en 8.600 voor testen.

Elke demografische afbeelding bevat een standaard BI-RAIDS (borstbeeldrapportage- en datasysteem) dichtheidsclassificatie in 4 groepen:

1. Heterogeen (meestal dicht)
2. Verstrooide dichtheid
3. Dicht
4. Vet

In de trainings- en testfase werd bijna 40% beoordeeld als dicht en heterogeen. Tijdens de trainingsfase wordt het netwerk ter evaluatie gevoed met willekeurige mammografische afbeeldingen. Het leert geleidelijk mammogrammen in kaart te brengen op een manier die nauw aansluit bij de dichtheidsclassificaties van experts.

Netwerken van vettig borstweefsel lijken bijvoorbeeld dunner met overal grijze gebieden, terwijl dichte borsten bestaan ​​uit vezelig en klierbindweefsel dat eruitziet als een dicht opeengepakt netwerk van stevige witte vlekken en dikke witte lijnen. In de testfase ziet het netwerk nieuwe mammografische beelden en schat het de meest waarschijnlijke dichtheidsgroep.

Referentie:RSNA Radiologie | doi:10.1148/radiol.2018180694 | MIT

De tool werd geïmplementeerd op de afdeling borstbeeldvorming van MGH, waar het werd geïnstalleerd in een geïsoleerde machine. Meestal wordt een mammogram gegenereerd en naar een faciliteit gestuurd voor evaluatie, die wordt uitgevoerd door een deskundige radioloog. Na alle noodzakelijke onderzoeken kent hij/zij een dichtheidsclassificatie toe aan elk mammogram.

Wanneer experts een scan maken in hun instelling, zullen ze de beoordelingen zien die zijn toegewezen door deze diepgaande leertool, die ze verder kunnen afwijzen of accepteren.

Resultaten

Het netwerk heeft minder dan een seconde nodig om één mammogram te verwerken en het kan worden geschaald door ziekenhuizen in de stad, zonder veel geld en veel mankracht uit te geven.

Radioloogbeoordeling versus deep learning-beoordeling (DL) voor binaire test | Met dank aan onderzoekers 

Tussen januari en mei (2018) observeerde het netwerk meer dan 10.000 mammografische afbeeldingen en kon het 94% overeenstemming bereiken onder experts in een binaire test, waarbij ze moesten bepalen of borsten dicht en heterogeen of verspreid en vettig waren. Voor alle 4 BI-RAIDS-groepen stemde het 90% van de tijd overeen met de mening van experts.

Radioloog-beoordeling versus deep learning (DL)-beoordeling voor 4 BI-RAIDS-groepen | Met dank aan onderzoekers 

Bij algemene tests (op basis van de trainingsdataset) kwam het netwerk 87% van de tijd overeen met de interpretaties van de radiologen in binaire tests en 77% in 4 BI-RADS-groepen.

Lezen:AI kan ziektes ruiken in menselijke adem | Inclusief verschillende vormen van kanker

De conventionele voorspellingstechnieken gebruiken een metriek genaamd kappa-score, waarbij 1 betekent dat schattingen elke keer overeenkomen en een lagere waarde staat voor minder gevallen van overeenkomsten. Voor bestaande methoden lopen de Kappa-scores op tot 0,6, terwijl deze voor het nieuwe model 0,85 bereiken bij klinische toepassing en 0,76 bij algemene tests. Dit geeft duidelijk aan dat de nieuwe tool een betere schatting maakt dan conventionele technieken.