AI Doorbraak: 1-Seconde Mammogram Analyse Detecteert Borstkankerrisico Via Weefseldichtheid

• Nieuw deep learning model analyseert borstweefsel in mammogrammen en schat dichtheidswaarden nauwkeurig.
• Deze waarden zijn een onafhankelijke risicofactor voor borstkanker.
• Het model verwerkt één mammogram in minder dan één seconde en kan gemakkelijk in ziekenhuizen geschaald worden.

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

Mammografie is een methode die lage-energie X-stralen gebruikt om de menselijke borst te analyseren voor screening en diagnose. Echter, dicht weefsel kan dit proces bemoeilijken door kanker op het mammogram te maskeren. Meestal hangt de evaluatie van borstdichtheid af van subjectieve menselijke beoordeling. De uitkomsten variëren over radiologen door verschillende factoren.

Nu hebben onderzoekers van Massachusetts General Hospital (MGH) en MIT een geautomatiseerd tool gebouwd dat dicht borstweefsel in mammogrammen nauwkeurig analyseert. Het is een deep-learning model getraind op tienduizenden high-definition digitale mammogrammen, zodat het kan leren hoe men verschilt tussen verschillende soorten borstweefsels.

Gegeven een nieuw mammografisch beeld, kan de tool een dichtheidsmeting detecteren die net zo betrouwbaar is als expert-radiologen. Volgens de auteurs is dit de eerste AI van zijn soort die met succes op patiënten in het ziekenhuis is gedemonstreerd. Ze geloven dat deze technologie landelijk breed geïmplementeerd kan worden en hogere betrouwbaarheid zal brengen aan borstweefselbeoordelingen.

Training

Het tool is gebaseerd op een convolutioneel neuronaal netwerk dat bestaat uit neuronen met leerbare gewichten en biases. Ze trainden en testten het netwerk op een rijke dataset met meer dan 58.000 mammografische afbeeldingen willekeurig genomen van 39.000 vrouwen 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-RADS (breast imaging reporting and data system) dichtheidswaarde in 4 groepen:

1. Heterogeen (voornamelijk dicht)
2. Verspreide Dichtheid
3. Dicht
4. Vet

In de trainings- en testfase werden bijna 40% gewaardeerd als dicht en heterogeen. Gedurende de trainingsfase wordt het netwerk gevoed met willekeurige mammografische afbeeldingen voor evaluatie. Het leert geleidelijk mammogrammen te koppelen op een manier dat ze nauw aansluiten bij de dichtheidswaarden van experts.

Bijvoorbeeld, vette borstweefsel netwerken lijken dunner met grijze gebieden doorheen, terwijl dichte borsten bestaan uit vezelachtige en klierechtige bindweefsels die eruitzien als dicht gepakte netwerken van solide witte plekken en dikke witte lijnen. In de testfase ziet het netwerk nieuwe mammografische afbeeldingen en schat de meest waarschijnlijke dichtheidsgroep.

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

Het tool werd geïmplementeerd bij de borstafbeeldingsafdeling van MGH, waar het op een geïsoleerde machine geïnstalleerd was. Typisch wordt een mammogram gegenereerd en naar een faciliteit gestuurd voor evaluatie, uitgevoerd door een expert-radioloog. Na alle benodigde onderzoeken wijst hij/zij een dichtheidswaarde toe aan elk mammogram.

Wanneer experts een scan ophalen in hun faciliteit, zullen ze de waarden zien die door deze deep-learning tool zijn toegewezen, die ze vervolgens kunnen afwijzen of accepteren.

Resultaten

Het netwerk verwerkt één mammogram in minder dan één seconde en kan geschaald worden door ziekenhuizen in de stad, zonder veel geld en uitgebreide bemanning.

Radioloog beoordeling vs deep learning (DL) beoordeling voor binaire test | Met dank aan onderzoekers

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

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

In algemene testen (gebaseerd op de trainingsdataset) matchte het netwerk de interpretaties van radiologen 87% van de tijd in binaire tests, en 77% over 4 BI-RADS groepen.

Lees ook: AI Kan Ziekten Ruiken In Menselijke Adem | Inclusief Verschillende Kankersoorten

Conventionele voorspellingstechnieken gebruiken een meetkundige genaamd kappa-score, waar 1 vertegenwoordigt dat schattingen elke keer overeenkomen en lagere waarde minder gevallen van overeenstemming vertegenwoordigt. Voor bestaande methoden bereiken Kappa-scores tot 0,6, terwijl voor het nieuwe model het 0,85 bereikt in klinische toepassing en 0,76 in algemene testen. Dit duidt duidelijk aan dat het nieuwe tool betere schattingen maakt dan conventionele technieken.