A aproximação do AI podia identificar as características ligeiramente alterados da imagem lactente específicas para mamogramas recordar-benignos

Ganhos líquidos: Uma aproximação da inteligência (AI) artificial baseada profundamente em aprender a rede neural circunvolucional (CNN) poderia identificar as características mamográficas ligeiramente alterados da imagem lactente específicas para mamogramas recordados mas benignos (do falso positivo) e distinguir tais mamogramas daqueles identificados como malignos ou negativos.

Jornal em que o estudo foi publicado: Investigação do cancro clínica, um jornal da associação americana para a investigação do cancro.

Autor: Shandong Wu, PhD, professor adjunto da radiologia, informática biomedicável, tecnologia biológica, sistemas inteligentes, e ciência clínica e translational, e director da computação inteligente para o laboratório clínico da imagem lactente no departamento da radiologia na universidade de Pittsburgh, Pensilvânia

Fundo: “A fim travar cedo o cancro da mama e ajudá-lo a reduzir a mortalidade, mamografia são um exame importante da selecção; contudo, sofre actualmente de uma taxa falsa alta do aviso,” disse Wu. “Estes avisos falsos conduzem ao esforço psicológico impróprio para pacientes e a um aumento substancial na carga de trabalho clínica e em custos médicos. Conseqüentemente, a pesquisa sobre meios possíveis reduzir avisos falsos na mamografia da selecção é um assunto importante a investigar.”

Como o estudo foi conduzido: Wu e colegas estudados se uma técnica na inteligência artificial chamada aprendizagem profunda poderia ser aplicada para analisar um grande grupo de mamogramas a fim distinguir imagens das mulheres com um diagnóstico maligno, imagens das mulheres que foram recordadas e determinadas mais tarde ter lesões benignas (avisos falsos), e imagens das mulheres determinadas ser peito cancro-livre na altura da selecção.

“A suposição é que pode haver algumas características ligeiramente alterados da imagem lactente associadas com algumas imagens do mamograma que poderiam conduzir aviso falso/desnecessário quando as imagens são interpretadas por radiologistas humanos, e nosso objetivo é utilizar um método CNN-baseado de aprendizagem profundo para construir um conjunto de ferramentas do computador para identificar aquelas imagens potenciais do mamograma,” Wu disse.

Os pesquisadores usaram um total de 14.860 imagens de 3.715 pacientes de dois conjunto de dados da mamografia, conjunto de dados da mamografia de Digitas do pleno campo (FFDM - 1.303 pacientes) e conjunto de dados independentes de Digitas da mamografia da selecção (DDSM - 2.412 pacientes). Construíram modelos do CNN e utilizaram aproximações de treinamento modelo aumentadas para investigar seis encenações da classificação que ajudariam a distinguir imagens de mamogramas benignos, malignos, e recordar-benignos.

Resultados: Quando os conjunto de dados de FFDM e de DDSM foram combinados, a área sob a curva (AUC) para distinguir imagens benignas, malignos, e recordar-benignas variou de 0,76 a 0,91. Mais alto o AUC, melhor o desempenho, com um máximo de 1, Wu explicou. “AUC é um métrico que resuma a comparação de positivos verdadeiros contra os falsos positivos, assim que dá uma indicação não somente da precisão (quanto foram identificados correctamente), mas igualmente quanto foram identificadas falsa,” disse.

Os comentários do autor: Wu disse, “nós mostramos que há umas características da imagem lactente originais às imagens recordar-benignas que a aprendizagem profunda pode identificar e potencial ajudar radiologistas em fazer melhores decisões sobre se um paciente deve ser recordado ou é mais provável um aviso falso.”

“Baseou na capacidade consistente de nosso algoritmo para discriminar todas as categorias de imagens da mamografia, nossos resultados indicam que há certamente algumas características/características de distinção originais às imagens que são recordadas desnecessariamente,” Wu notou. “Nossos modelos do AI podem aumentar radiologistas em ler estas imagens e finalmente os pacientes do benefício ajudando reduzem avisos desnecessários.”

Limitações do estudo: Como limitações do estudo, Wu notou que os conjunto de dados independentes adicionais poderiam ajudar mais a avaliar a precisão e o vigor dos algoritmos, e utilizando modelos de aprendizagem profundos alternativos, as arquiteturas, e as estratégias do treinamento do modelo podem ajudar a melhorar o desempenho.

Source: http://www.aacr.org/