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.

Le système robotisé basé sur des aides d'AI éliminent le cancer chez les femmes avec les seins denses

Un système robotisé qui emploie l'artificial intelligence (AI) peut rapidement et exactement tamiser par le sein IRM chez les femmes avec les seins denses pour éliminer ceux sans cancer, libre vers le haut des radiologues pour se concentrer sur plus de cas complexes, selon une étude publiée en radiologie.

La mammographie a aidé à réduire les morts du cancer du sein par la fourniture du dépistage précoce quand le cancer est le plus traitable. Cependant, elle est moins sensible chez les femmes avec les seins extrêmement denses que chez les femmes avec les seins gras. De plus, les femmes avec les seins extrêmement denses ont des trois à un plus gros risque de six-temps de développer le cancer du sein que des femmes avec les seins presque entièrement gras et à un plus gros risque double que la femme moyenne.

L'examen critique supplémentaire chez les femmes avec les seins extrêmement denses augmente la sensibilité du dépistage du cancer. La recherche du tissu dense et de l'essai (DENSE) tôt d'examen critique de tumeur de sein, une grande étude basée aux Pays-Bas, a supporté l'utilisation de l'examen critique supplémentaire avec l'IRM.

L'essai DENSE a prouvé que l'examen critique complémentaire d'IRM pour des femmes avec les seins extrêmement denses était avantageux. D'autre part, l'essai DENSE a confirmé que l'immense majorité de femmes interviewées n'ont aucune découverte suspecte sur l'IRM. »

Erik Verburg, M.Sc., auteur important d'étude, les sciences institut, centre médical Utrecht d'image d'université aux Pays-Bas

Depuis la plupart des IRM montrez anatomique normal et la variation physiologique qui peut ne pas exiger la révision radiologique, voies à la sélection ces IRM normaux de réduire la charge de travail de radiologue sont nécessaire.

Dans la première étude de son genre, Verburg et collègues se sont mis à déterminer la faisabilité d'une méthode triaging robotisée basée sur apprendre profondément, un type sophistiqué d'AI. Ils ont employé des caractéristiques du sein IRM de l'essai DENSE pour développer et former le modèle apprenant profond pour distinguer les seins avec et sans des lésions. Le modèle a été formé sur des caractéristiques de sept hôpitaux et vérifié sur des caractéristiques d'un huitième hôpital.

Plus de 4.500 ensembles de données d'IRM des seins extrêmement denses étaient inclus. Des 9.162 seins, 838 ont eu au moins une lésion, dont 77 étaient malins, et 8.324 n'ont eu aucune lésion.

Le modèle apprenant profond a considéré comme étant 90,7% des IRM avec des lésions non-normaux et triaged les à la révision radiologique. Il a écarté environ 40% des IRM sans lésion sans ne manquer aucun cancer.

« Nous avons montré qu'il est possible d'employer en toute sécurité l'artificial intelligence d'écarter le dépistage du cancer du sein IRM sans manquer n'importe quelle maladie maligne, » Verburg avons dit. « Les résultats étaient meilleurs que prévus. Quarante pour cent sont un bon début. Cependant, nous avons toujours 60% à améliorer. »

Le système triaging basé sur AI a le potentiel de réduire de manière significative la charge de travail de radiologue, Verburg a dit. Seuls aux Pays-Bas, presque 82.000 femmes peuvent être habilitées au dépistage du cancer du sein bisannuel d'IRM basé sur la densité de sein.

« L'approche peut d'abord être employée pour aider des radiologues pour réduire le temps général du relevé, » Verburg a dit. « En conséquence, plus de temps a pu devenir procurable pour se concentrer sur les examens IRM réellement complexes de sein. »

Les chercheurs planification pour valider le modèle dans d'autres ensembles de données et pour le déployer dans les ronds suivants d'examen critique de l'essai DENSE.

Source:
Journal reference:

Verburg, E., et al. (2021) Deep Learning for Automated Triaging of 4581 breast MRI Examinations from the DENSE Trial. Radiology. doi.org/10.1148/radiol.2021203960.