L'approccio di AI ha potuto identificare le funzionalità sfumate della rappresentazione specifiche per i mammogrammi richiamare-benigni

Riga inferiore: Un approccio di intelligenza (AI) artificiale basato in profondità sull'apprendimento della rete neurale dell'avvolgimento (CNN) potrebbe identificare le funzionalità mamografiche sfumate della rappresentazione specifiche per i mammogrammi (erroneamente positivi) richiamati ma benigni e distinguere tali mammogrammi da quelli identificati come maligni o negativi.

Giornale in cui lo studio è stato pubblicato: Ricerca sul cancro clinica, un giornale dell'Associazione per la ricerca sul cancro americana.

Autore: Shandong Wu, PhD, assistente universitario di radiologia, informatica biomedica, bioingegneria, sistemi intelligenti e scienza clinica e di traduzione e Direttore della computazione intelligente per il laboratorio di diagnostica per immagini nel dipartimento di radiologia all'università di Pittsburgh, Pensilvania

Sfondo: “Per catturare presto il cancro al seno e contribuire a diminuire la mortalità, mammografia sono un esame importante della selezione; tuttavia, corrente soffre da un'alta tariffa falsa di richiamo,„ ha detto Wu. “Questi richiami falsi provocano lo stress psicologico eccessivo per i pazienti e un incremento sostanziale del carico di lavoro clinico e dei costi medici. Di conseguenza, la ricerca sui mezzi possibili per diminuire i richiami falsi nella mammografia della selezione è un argomento importante da studiare.„

Come gli studi sono stati intrapresi: Wu e colleghi studiati se una tecnica in intelligenza artificiale chiamata l'apprendimento profondo potrebbe applicarsi per analizzare un grande insieme dei mammogrammi per distinguere le immagini dalle donne con una diagnosi maligna, immagini dalle donne che sono state richiamate e più successivamente sono state determinate per avere lesioni benigne (richiami falsi) ed immagini dalle donne determinate per essere petto senza Cancro ai tempi di selezione.

“Il presupposto è che ci possono essere alcune funzionalità sfumate della rappresentazione connesse con alcune immagini di mammogramma che potrebbero piombo richiamo falso/inutile quando le immagini sono interpretate dai radiologi umani ed il nostro scopo è di utilizzare un metodo basato a CNN d'apprendimento profondo per costruire un toolkit del computer per identificare quelle immagini potenziali di mammogramma,„ Wu ha detto.

I ricercatori hanno usato complessivamente 14.860 immagini di 3.715 pazienti da due gruppi di dati indipendenti di mammografia, dal gruppo di dati a tutto campo di mammografia di Digital (FFDM - 1.303 pazienti) e dal gruppo di dati di Digital della mammografia della selezione (DDSM - 2.412 pazienti). Hanno sviluppato i modelli di CNN ed hanno utilizzato i metodi di formazione di modello migliorati per studiare sei scenari di classificazione che avrebbero contribuito a distinguere le immagini dei mammogrammi benigni, maligni e richiamare-benigni.

Risultati: Quando i gruppi di dati da FFDM e da DDSM si sono combinati, l'area sotto la curva (AUC) per distinguere le immagini benigne, maligne e richiamare-benigne ha variato da 0,76 a 0,91. Più alto il AUC, migliore la prestazione, con un massimo di 1, Wu ha spiegato. “AUC è un metrico che riassume il confronto dei positivi veri contro i falsi positivi, così dà un'indicazione non solo di accuratezza (quanto sono stati identificati correttamente), ma egualmente quanto sono stati identificati erroneamente,„ ha detto.

Le osservazioni dell'autore: Wu ha detto, “abbiamo indicato che ci sono funzionalità della rappresentazione uniche alle immagini richiamare-benigne che l'apprendimento profondo può identificare e potenzialmente aiutare i radiologi nel prendere le migliori decisioni sopra se un paziente dovrebbe essere richiamato o è più probabile un richiamo falso.„

“Ha basato sulla capacità coerente del nostro algoritmo di discriminare tutte le categorie di immagini di mammografia, i nostri risultati indicano che ci sono effettivamente alcune funzionalità/caratteristiche di distinzione uniche alle immagini che sono richiamate inutilmente,„ Wu hanno notato. “I nostri modelli di AI possono aumentare i radiologi nella lettura delle queste immagini ed infine i pazienti del vantaggio aiutando diminuiscono i richiami inutili.„

Limitazioni di studio: Come limitazioni dello studio, Wu ha notato che i gruppi di dati indipendenti supplementari potrebbero contribuire più ulteriormente a valutare l'accuratezza e la robustezza degli algoritmi ed utilizzando i modelli d'apprendimento profondi alternativi, le architetture e le strategie di addestramento del modello possono contribuire a migliorare la prestazione.

Sorgente: http://www.aacr.org/