Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

In profondità imparare fornisce un migliore preventivo del rischio di cancro al seno

Rispetto ai fattori di rischio clinici comunemente usati, un tipo specializzato di intelligenza artificiale (AI) chiamato l'apprendimento profondo fa un migliore processo che distingue fra i mammogrammi delle donne che più successivamente svilupperanno il cancro al seno e coloro che non non, secondo un nuovo studio in radiologia del giornale. I ricercatori hanno detto il potenziale di risultati del AI della sottolineatura come secondo lettore per i radiologi che possono diminuire la rappresentazione inutile ed i costi associati.

La mammografia annuale è raccomandata per le donne che cominciano all'età 40 schermare per cancro al seno. La ricerca ha indicato che schermare la mammografia abbassa la mortalità del cancro al seno diminuendo l'incidenza di cancro avanzato.

I mammogrammi non solo contribuiscono ad individuare il cancro ma anche a fornire una misura del rischio di cancro al seno con le misure di densità del petto. Mentre i petti più densi sulla mammografia sono associati con un elevato rischio di cancro, c'è altro, eppure sconosciuto, fattori nascosti nel mammogramma che probabilmente contribuiscono al rischio.

I metodi convenzionali di valutazione del rischio del cancro al seno facendo uso dei fattori di rischio clinici non sono stati quello efficace. Abbiamo pensato che c'fossero più nell'immagine che appena la densità del petto che sarebbe stata utile per la valutazione del rischio.„

John A. Shepherd, Ph.D., autore principale di studio, professore e ricercatore nelle scienze della popolazione nel programma pacifico (epidemiologia) all'università di centro del Cancro di Hawai a Honolulu

Per il nuovo studio, il Dott. Shepherd ed i colleghi hanno usato un insieme di dati di più di 25.000 mammogrammi di selezione digitali da 6.369 donne che hanno partecipato alla mammografia della selezione. Più di 1.600 delle donne sviluppate selezione-hanno individuato il cancro al seno e 351 hanno sviluppato il cancro al seno dilagante di intervallo.

I ricercatori hanno preparato il modello d'apprendimento profondo per trovare i dettagli, o i segnali, nel mammogramma che potrebbe essere collegato al rischio di cancro aumentato. Quando hanno verificato al il modello basato imparare profondo, underperformed nella valutazione dei fattori di rischio per il rischio di cancro di intervallo, ma ha superato i fattori di rischio clinici compreso densità del petto nella determinazione del rischio di cancro selezione-individuato.

“I risultati hanno indicato che il segnale che extra stiamo ottenendo con AI fornisce un migliore preventivo di rischio per cancro selezione-individuato,„ il Dott. Shepherd ha detto. “Ci ha aiutati a compire il nostro scopo della classificazione delle donne in a basso rischio o in ad alto rischio di cancro al seno selezione-individuato.„

I risultati hanno implicazioni significative per le pratiche cliniche in cui guide sole di densità del petto molte decisioni del management. Invece di consiglio da ritornare l'anno prossimo per un'altra selezione, le donne con un mammogramma negativo potrebbero essere ordinate dal rischio in una di tre vie: a basso rischio di cancro al seno, del rischio selezione-individuato elevato, o del tumore invasivo elevato durante i tre anni futuri, il momento medio di intervallo di seguito per lo studio.

“Questo permetterebbe che noi usiamo il rischio determinato di una donna per determinare quanto dovrebbe essere riflessa frequentemente,„ il Dott. Shepherd ha detto. “Le donne più a basso rischio non potrebbero avere bisogno di di essere riflesso spesso con la mammografia quanto quelle con un ad alto rischio di cancro al seno.„

Il modello d'apprendimento profondo egualmente ha promessa nelle decisioni supportanti circa la rappresentazione supplementare con MRI ed altre modalità. Il Dott. Shepherd ha detto che le donne nel gruppo d'apprendimento profondo ad alto rischio che egualmente hanno petti densi e sono ad un elevato rischio per i cancri di intervallo possono trarre giovamento la maggior parte da una strategia di controllo che comprende la rappresentazione supplementare che conserva la sensibilità in petti densi quali MRI, l'ultrasuono e la rappresentazione molecolare. I cancri di intervallo hanno solitamente biologia più aggressiva del tumore e tipicamente sono scoperti in una fase avanzata.

Con l'altra ricerca recente, il nuovo studio supporta un ruolo per AI congiuntamente ai fattori di rischio clinici nella valutazione del rischio del cancro al seno.

“Dai mammogrammi d'allineamento in termini di probabilità di vedere il cancro nell'immagine, AI sta andando essere uno strumento potente della seconda lettura da contribuire a categorizzare i mammogrammi,„ il Dott. Shepherd ha detto.

I ricercatori pianificazione ripiegare lo studio nelle donne dell'isolano pacifico e del hawaiano indigeno, due gruppi che sono stati sottorappresentati nella ricerca del cancro al seno. Egualmente vogliono estendere il lavoro oltre il rischio di cancro fino lo sguardo col rischio dei gradi differenti di cancro al seno, da minimo fino più aggressivo.

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.