L'approche d'AI a pu recenser les caractéristiques diversifiées de représentation spécifiques pour des mammographies indiquer-bénignes

Ligne inférieure : Une approche (AI) d'artificial intelligence basée sur apprendre profondément le réseau neuronal circonvolutionnaire (CNN) pourrait recenser les caractéristiques mammographiques diversifiées de représentation spécifiques pour des mammographies (faussement positives) indiquées mais bénignes et discerner de telles mammographies de ceux recensées comme malignes ou négatives.

Tourillon en lequel l'étude était publiée : Cancérologie clinique, un tourillon de l'association américaine pour la cancérologie.

Auteur : Shandong Wu, PhD, professeur adjoint de la radiologie, informatique biomédicale, bio-ingénierie, systèmes intelligents, et science clinique et de translation, et directeur de calculer intelligent pour le laboratoire clinique de représentation au service de radiologie à l'université de Pittsburgh, Pennsylvanie

Mouvement propre : « Afin de recueillir le cancer du sein tôt et aider à réduire la mortalité, mammographie est un examen important d'examen critique ; cependant, il souffre actuel d'un régime trompeur élevé de rappel, » a dit Wu. « Ces rappels trompeurs ont comme conséquence la contrainte psychologique anormale pour des patients et une augmentation considérable de charge de travail clinique et de coûts médicaux. Par conséquent, la recherche sur des moyens possibles de réduire des rappels trompeurs dans la mammographie de dépistage est un sujet important à vérifier. »

Comment l'étude a été entreprise : Wu et collègues étudiés si une technique dans apprendre profond appelé d'artificial intelligence pourrait être appliquée pour analyser un grand ensemble de mammographies afin de discerner des images des femmes avec un diagnostic malin, images des femmes qui ont été indiquées et plus tard ont été déterminées pour avoir des lésions bénignes (rappels trompeurs), et images des femmes déterminées pour être sein sans cancer au moment de l'examen critique.

« La supposition est qu'il peut y avoir quelques caractéristiques diversifiées de représentation liées à quelques images de mammographie qui pourraient mener à rappel trompeur/inutile quand les images sont interprétées par les radiologues humains, et notre objectif est d'utiliser une méthode basée sur CNN apprenante profonde pour établir un ensemble d'outils d'ordinateur pour recenser ces images potentielles de mammographie, » Wu a dit.

Les chercheurs ont employé un total de 14.860 images de 3.715 patients de deux ensembles de données de mammographie, ensembles de données de mammographie de Digitals de Plein-Inducteur (FFDM - 1.303 patients) et ensembles de données indépendants de Digitals de la mammographie de dépistage (DDSM - 2.412 patients). Ils ont établi des modèles de CNN et ont utilisé des approches de formation modèles améliorées pour vérifier six scénarios de catégorie qui aideraient à discerner des images des mammographies bénignes, malignes, et indiquer-bénignes.

Résultats : Quand les ensembles de données de FFDM et de DDSM ont été combinés, l'endroit sous la courbure (AUC) pour discerner des images bénignes, malignes, et indiquer-bénignes s'est échelonné de 0,76 à 0,91. Plus l'AUC est élevé, plus le rendement est meilleur, avec un maximum de 1, Wu a expliqué. « AUC est un métrique qui récapitule la comparaison des positifs vrais contre les faux positifs, ainsi elle donne un signe non seulement d'exactitude (combien ont été correctement recensés), mais également combien ont été de manière trompeuse recensés, » il a dit.

Les commentaires de l'auteur : Wu a dit, « nous avons prouvé qu'il y a des caractéristiques de représentation seules aux images indiquer-bénignes qu'apprendre profond peut recenser et potentiellement aider des radiologues en prenant de meilleures décisions en circuit si un patient devrait être indiqué ou est plus susceptible un rappel trompeur. »

« A basé sur la capacité cohérente de notre algorithme de distinguer toutes les catégories des images de mammographie, nos découvertes indiquent qu'il y a en effet certaines caractéristiques/caractéristiques discernantes seules aux images qui sont inutilement indiquées, » Wu a noté. « Nos modèles d'AI peuvent augmenter des radiologues en affichant ces images et éventuel les patients d'avantage par l'aide réduisent des rappels inutiles. »

Limitations d'étude : Comme limitations de l'étude, Wu a noté que les ensembles de données indépendants complémentaires pourraient aider davantage à évaluer l'exactitude et la robustesse des algorithmes, et utilisant les modèles apprenants profonds alternatifs, les architectures, et les stratégies de formation de modèle peuvent aider à améliorer le rendement.