Il nuovo metodo di apprendimento automatico predice se l'iperplasia duttale atipica girerà cancerogeno

L'iperplasia duttale atipica (ADH) è una lesione del petto connessa con un aumento quintuplo quattro nel rischio di cancro al seno. L'ADH soprattutto è trovato facendo uso della mammografia ed è identificato sulla biopsia del ago di stampa di memoria. Malgrado i passaggi multipli della lesione durante la biopsia, soltanto le parti delle lesioni sono campionate. Altri fattori variabili influenzano la campionatura e l'accuratezza tali che la presenza di cancro può essere sottovalutata da 10-45%. Corrente, la rimozione chirurgica è raccomandata per tutte le casse dell'ADH trovate sulle biopsie del ago di stampa di memoria per determinare se la lesione è cancerogena. Circa 20-30% delle casse dell'ADH è migliorato a cancro dopo l'asportazione chirurgica. Tuttavia, questo significa che 70-80% delle donne subisce una procedura chirurgica costosa e dilagante per una lesione benigna (ma ad alto rischio).

Un gruppo di ricerca di Dartmouth piombo da Saeed Hassanpour, PhD, ha trovato un metodo di apprendimento automatico per predire l'aggiornamento dell'ADH a cancro. Avere questi informazioni può potenzialmente aiutare i clinici ed i pazienti a basso rischio a decidere se la sorveglianza attiva e la terapia ormonale è un'alternativa ragionevole all'asportazione chirurgica. La valutazione del modello ha indicato che l'approccio dell'apprendimento automatico del gruppo può identificare 98% di tutti i casi maligni prima di chirurgia mentre risparmia dalla chirurgia 16% delle donne che avrebbero subito altrimenti un'operazione inutile per una lesione benigna. I loro risultati, previsione degli aggiornamenti duttali atipici di iperplasia con un approccio di apprendimento automatico per diminuire le asportazioni chirurgiche inutili recentemente è stato pubblicato in informatica clinica del Cancro di JCO.

“I nostri risultati indicano ci sono differenze cliniche robuste fra le donne al minimo contro ad alto rischio per aggiornamento dell'ADH a cancro basato sui dati di biopsia del ago di stampa di memoria che hanno permesso che il nostro modello di apprendimento automatico predicesse attendibilmente gli aggiornamenti di malignità nel nostro gruppo di dati,„ dicono Hassanpour. “Questo studio egualmente ha identificato le variabili cliniche importanti in questione nel rischio di aggiornamento dell'ADH.„

Facendo uso dell'asportazione chirurgica eliminare la malignità non è senza danno mentre 70-80% delle donne subisce l'asportazione chirurgica dilagante per le lesioni benigne dell'ADH. “Il nostro modello può potenzialmente aiutare i pazienti e clinici scegliere un approccio alternativo della gestione nei casi a basso rischio,„ dice Hassanpour. “Nell'era di medicina personale, tali modelli possono essere desiderabili per i pazienti che stimano un approccio decisionale comune con la capacità di scegliere fra l'asportazione chirurgica per la certezza contro sorveglianza di evitare il costo, lo sforzo e gli effetti secondari potenziali in donne ad a basso rischio per aggiornamento dell'ADH a cancro.„

Il gruppo presto pianificazione ampliare la portata del loro modello includendo altre lesioni ad alto rischio del petto quali neoplasia lobulare, i papillomi e le cicatrici della parte radiale. Egualmente pianificazione più ulteriormente sulla convalida del loro approccio sui grandi gruppi di dati esterni facendo uso dello stato e delle registrazioni nazionali del cancro al seno e sulla collaborazione con altri centri medici.

Saeed Hassanpour, PhD, è un assistente universitario di scienza biomedica di dati, assistente universitario dell'epidemiologia e assistente universitario dell'informatica nei dipartimenti di scienza e dell'epidemiologia biomediche di dati alla scuola di medicina del Geisel di Dartmouth ed al membro del programma di ricerca di scienza della popolazione del Cancro al centro del Cancro del cotone del Norris di Dartmouth. I suoi interessi della ricerca comprendono l'informatica biomedica, l'apprendimento automatico e la medicina personale.