Avertissement : Cette page est une traduction automatique de cette page à l'origine en anglais. Veuillez noter puisque les traductions sont générées par des machines, pas tous les traduction sera parfaite. Ce site Web et ses pages Web sont destinés à être lus en anglais. Toute traduction de ce site et de ses pages Web peut être imprécis et inexacte, en tout ou en partie. Cette traduction est fournie dans une pratique.

Apprendre profondément fournit une meilleure estimation du risque de cancer du sein

Avec des facteurs de risque cliniques utilisés généralement, un type sophistiqué d'apprendre (AI) profond appelé d'artificial intelligence réalise une meilleure fonction distinguant les mammographies des femmes qui développeront plus tard le cancer du sein et ceux qui pas, selon une étude neuve en radiologie de tourillon. Les chercheurs ont dit le potentiel du soulignage l'AI de découvertes en tant que deuxième lecteur pour les radiologues qui peuvent réduire la représentation inutile et les coûts associés.

La mammographie annuelle est recommandée pour des femmes commençant à l'âge 40 à examiner pour le cancer du sein. La recherche a prouvé que la mammographie de dépistage abaisse la mortalité de cancer du sein en réduisant l'incidence du cancer avancé.

Les mammographies aident non seulement à trouver le cancer mais à fournir également une mesure du risque de cancer du sein par des mesures de densité de sein. Tandis que des seins plus denses sur la mammographie sont associés à un risque de cancer plus élevé, il y a autre, pourtant inconnu, les facteurs cachés dans la mammographie qui contribuent vraisemblablement au risque.

Les méthodes conventionnelles d'évaluation de risque de cancer du sein utilisant des facteurs de risque cliniques n'ont pas été celle efficace. Nous avons pensé qu'il y avait plus dans l'image que juste la densité de sein qui serait utile pour évaluer le risque. »

John A. Shepherd, Ph.D., auteur important d'étude, professeur et chercheur en sciences de population dans le programme Pacifique (épidémiologie) à l'université du centre de lutte contre le cancer d'Hawaï à Honolulu

Pour l'étude neuve, M. Shepherd et collègues ont employé un ensemble de données de plus de 25.000 mammographies d'examen critique digitales de 6.369 femmes qui ont participé à la mammographie de dépistage. Plus de 1.600 des femmes développées examen-ont trouvé le cancer du sein, et 351 ont développé le cancer invasif du sein d'intervalle.

Les chercheurs ont formé le modèle apprenant profond pour trouver des petits groupes, ou des signes, dans la mammographie qui pourrait être liée au risque de cancer accru. Quand ils ont vérifié le modèle apprendre profond, il est resté en deçà de ses possibilités en évaluant les facteurs de risque pour le risque de cancer d'intervalle, mais il a surpassé des facteurs de risque cliniques comprenant la densité de sein en déterminant le risque de cancer examen-trouvé.

« Les résultats ont prouvé que le signe supplémentaire que nous obtenons avec l'AI fournit une meilleure évaluation du risque pour le cancer examen-trouvé, » M. Shepherd a dit. « Il nous a aidés à accomplir notre objectif de classifier des femmes dans à faible risque ou le haut risque du cancer du sein examen-trouvé. »

Les découvertes ont des implications significatives pour les pratiques cliniques dans lesquelles guides de densité de sein de seuls beaucoup de décisions de gestion. Au lieu d'être informé à retourner l'année prochaine pour un autre examen critique, des femmes avec une mammographie négative pourraient être triées par risque dans une de trois voies : à faible risque du cancer du sein, du risque examen-trouvé élevé, ou du cancer invasif élevé d'intervalle dans les trois prochaines années, le moment complémentaire moyen pour l'étude.

« Ceci nous permettrait d'employer le risque individuel d'une femme pour déterminer comment fréquemment il devrait être surveillé, » M. Shepherd a dit. « Des femmes plus à faible risque ne pourraient pas devoir être surveillées avec la mammographie aussi souvent que ceux avec un haut risque de cancer du sein. »

Le modèle apprenant profond a également la promesse dans des décisions de support au sujet de la représentation complémentaire avec l'IRM et d'autres modalités. M. Shepherd a dit que les femmes dans le groupe apprenant profond à haut risque qui également ont les seins denses et sont à un plus gros risque pour des cancers d'intervalle peuvent bénéficier les la plupart d'une stratégie de surveillance qui comprend la représentation supplémentaire qui maintient la sensibilité dans des seins denses tels que l'IRM, l'ultrason et la représentation moléculaire. Les cancers d'intervalle ont habituellement une biologie plus agressive de tumeur et sont type découverts à un stade avancé.

Avec l'autre recherche récente, l'étude neuve supporte un rôle pour l'AI en combination avec des facteurs de risque cliniques dans l'évaluation de risque de cancer du sein.

« Par des mammographies de classement en termes de probabilité de voir le cancer dans l'image, AI va être un outil puissant de seconde lecture à aider à classer des mammographies par catégorie, » M. Shepherd a dit.

Les chercheurs planification pour reproduire l'étude dans les femmes indigènes de Hawaïen et d'habitant des îles du Pacifique, deux groupes qui ont été sous-représentés dans la recherche sur le cancer de cancer du sein. Ils veulent également étendre le travail au delà du risque de cancer d'examiner au risque de différentes pentes de cancer du sein, de mineurs à plus agressif.

Source:
Journal reference:

Zhu, X., et al. (2021) Deep Learning Predicts Interval and Screening-detected Cancer from Screening Mammograms: A Case-Case-Control Study in 6369 Women. Radiology. doi.org/10.1148/radiol.2021203758.