La aproximación del AI podía determinar las características llenas de matices de la proyección de imagen específicas para los mamogramas revocar-benignos

Fondo: Una aproximación de la inteligencia (AI) artificial basada en profundamente el aprendizaje de la red neuronal circumvolucional (CNN) podría determinar las características mamográficas llenas de matices de la proyección de imagen específicas para los mamogramas (falso-positivos) revocados pero benignos y distinguir tales mamogramas de ésos determinados como malos o negativos.

Gorrón en el cual el estudio fue publicado: Investigación de cáncer clínica, un gorrón de la asociación americana para la investigación de cáncer.

Autor: Shandong Wu, doctorado, profesor adjunto de la radiología, informática biomédica, bioingeniería, sistemas inteligentes, y ciencia clínica y de translación, y director de calcular inteligente para el laboratorio clínico de la proyección de imagen en el departamento de la radiología en la universidad de Pittsburgh, Pennsylvania

Antecedentes: “Para coger el cáncer de pecho temprano y ayudar a reducir la mortalidad, mamografía es un examen importante de la investigación; sin embargo, sufre actualmente de un alto régimen falso de la llamada,” dijo a Wu. “Estas llamadas falsas dan lugar a la tensión psicológica indebida para los pacientes y a un aumento sustancial en carga de trabajo clínica y costos médicos. Por lo tanto, la investigación sobre medios posibles de reducir llamadas falsas en mamografía de la investigación es un tema importante a investigar.”

Cómo el estudio conducto: Wu y colegas estudiados si una técnica en la inteligencia artificial llamada aprendizaje profundo se podría aplicar para analizar un equipo grande de mamogramas para distinguir imágenes de mujeres con una diagnosis mala, imágenes de las mujeres que fueron revocadas y determinadas más adelante para tener lesiones benignas (llamadas falsas), e imágenes de mujeres determinadas para ser pecho cáncer-libre a la hora de la investigación.

“La suposición es que puede haber algunas características llenas de matices de la proyección de imagen asociadas a algunas imágenes del mamograma que podrían llevar a una llamada falsa/innecesaria cuando las imágenes son interpretadas por los radiólogos humanos, y nuestra meta es utilizar un método CNN-basado de aprendizaje profundo para construir una caja de herramientas de la computador para determinar esas imágenes potenciales del mamograma,” Wu dijo.

Los investigadores utilizaron un total de 14.860 imágenes de 3.715 pacientes a partir de dos grupos de datos de la mamografía, grupos de datos de la mamografía de Digitaces del Completo-Campo (FFDM - 1.303 pacientes) y grupos de datos independientes de Digitaces de la mamografía de la investigación (DDSM - 2.412 pacientes). Construyeron los modelos de CNN y utilizaron aproximaciones de entrenamiento modelo aumentadas para investigar seis decorados de la clasificación que ayudarían a distinguir imágenes de mamogramas benignos, malos, y revocar-benignos.

Resultados: Cuando los grupos de datos de FFDM y de DDSM fueron combinados, el área bajo la curva (AUC) para distinguir imágenes benignas, malas, y revocar-benignas colocó a partir de la 0,76 a 0,91. Cuanto más alto es el AUC, cuanto mejor es el funcionamiento, con un máximo de 1, Wu explicó. “AUC es un métrico que resume la comparación de positivos verdaderos contra los positivos falsos, así que da una indicación no sólo de la exactitud (cuántos fueron determinados correctamente), pero también cuántos fueron determinados falso,” él dijo.

Los comentarios del autor: Wu dijo, “mostramos que hay características de la proyección de imagen únicas a las imágenes revocar-benignas que el aprendizaje profundo puede determinar y potencialmente ayudar a radiólogos en tomar mejores decisiones conectado si un paciente debe ser revocado o es más probable una llamada falsa.”

“Basó en la capacidad constante de nuestro algoritmo de discriminar todas las categorías de las imágenes de la mamografía, nuestras conclusión indican que hay de hecho algunas características/características de distinción únicas a las imágenes que se revocan innecesariamente,” Wu observó. “Nuestros modelos del AI pueden aumentar a radiólogos en la lectura de estas imágenes y los pacientes de la ventaja ayudando reducen final llamadas innecesarias.”

Limitaciones del estudio: Como limitaciones del estudio, Wu observó que los grupos de datos independientes adicionales podrían ayudar más lejos a evaluar la exactitud y la robustez de los algoritmos, y utilizando modelos de aprendizaje profundos alternativos, las configuraciones, y las estrategias del entrenamiento del modelo pueden ayudar a perfeccionar funcionamiento.

Fuente: http://www.aacr.org/