La méthode neuve d'apprentissage automatique prévoit si l'hyperplasie canalaire atypique tournera cancéreux

L'hyperplasie canalaire atypique (ADH) est une lésion de sein liée à une augmentation quatre quintuple du risque de cancer du sein. L'A.A.D. est principalement trouvé utilisant la mammographie et recensé sur la biopsie à l'aiguille de faisceau. En dépit des passages multiples de la lésion pendant la biopsie, seulement des parties des lésions sont échantillonnées. D'autres facteurs variables influencent l'échantillonnage et l'exactitude tels que la présence du cancer peut être sous-estimée par 10-45%. Actuel, l'ablation chirurgicale est recommandée pour toutes les caisses d'A.A.D. avérées sur des biopsies à l'aiguille de faisceau pour déterminer si la lésion est cancéreuse. Environ 20-30% de caisses d'A.A.D. sont mis à jour au cancer après ablation chirurgicale. Cependant, ceci signifie que 70-80% de femmes subissent une opération pour (mais un haut risque) coûteux et invasifs une lésion bénigne.

Une équipe de recherche de Dartmouth aboutie par Saeed Hassanpour, PhD, a trouvé une méthode d'apprentissage automatique pour prévoir la mise à jour d'A.A.D. au cancer. Avoir cette information peut potentiellement aider des cliniciens et des patients à faible risque à décider si le contrôle et le traitement hormonal actifs est une alternative raisonnable à l'ablation chirurgicale. Le bilan du modèle a prouvé que l'approche de l'apprentissage automatique de l'équipe peut recenser 98% de tous les cas malins avant la chirurgie tout en stockant de la chirurgie 16% des femmes qui autrement auraient subi un fonctionnement inutile pour une lésion bénigne. Leurs résultats, prévision des mises à jour canalaires atypiques d'hyperplasie par une approche d'apprentissage automatique pour réduire des ablations chirurgicales inutiles a été récent publié en informatique clinique de cancer de JCO.

« Nos résultats proposent qu'il y ait des différences cliniques robustes entre les femmes au bas contre le haut risque pour la mise à jour d'A.A.D. au cancer basé sur les caractéristiques de biopsie à l'aiguille de faisceau qui ont permis à notre modèle d'apprentissage automatique de prévoir sûrement des mises à jour de malignité dans notre ensemble de données, » dise Hassanpour. « Cette étude a également recensé des variables cliniques importantes impliquées dans le risque de mise à jour d'A.A.D. »

Utilisant l'ablation chirurgicale éliminer la malignité n'est pas sans tort pendant que 70-80% de femmes subissent l'ablation chirurgicale invasive pour les lésions bénignes d'A.A.D. « Notre modèle peut potentiellement aider des patients et des cliniciens choisir une approche alternative de management dans des cas à faible risque, » dit Hassanpour. « Pendant l'ère du médicament personnalisé, de tels modèles peuvent être désirables pour les patients qui évaluent une approche partagée de prise de décision avec la capacité de choisir entre l'ablation chirurgicale pour la certitude contre le contrôle d'éviter le coût, la tension, et les effets secondaires potentiels chez les femmes à faible risque pour la mise à jour de l'A.A.D. au cancer. »

L'équipe planification bientôt pour augmenter l'étendue de leur modèle en incluant d'autres lésions à haut risque de sein telles que la néoplasie lobulaire, les papillomes, et les cicatrices radiales. Ils planification également sur valider davantage leur approche sur de grands ensembles de données externes utilisant la condition et les Bureaux d'ordre nationaux de cancer du sein, et collaborer avec d'autres centres médicaux.

Saeed Hassanpour, PhD, est un professeur adjoint de la Science biomédicale de caractéristiques, professeur adjoint d'épidémiologie, et professeur adjoint de l'informatique dans les services de la Science biomédicale et de l'épidémiologie de caractéristiques à l'École de Médecine de Geisel de Dartmouth, et au membre du programme de recherche de la Science de population de cancer au centre de lutte contre le cancer de coton de Norris de Dartmouth. Ses intérêts de recherches comprennent l'informatique biomédicale, l'apprentissage automatique, et le médicament personnalisé.