Umělá inteligence v mamografickém screeningu rakoviny prsu

Rakovina prsu (BC) je celosvětově nejčastější rakovinou u žen a druhou nejčastější příčinou úmrtí souvisejících s rakovinou.

Jako základní kámen screeningu BC je mamografie uznávána jako jedna z užitečných zobrazovacích modalit ke snížení úmrtnosti na BC díky včasné detekci BC. Mamografická interpretace je však ze své podstaty subjektivní hodnocení a je náchylné k nadměrné diagnóze.

V posledních letech vstoupily do oblasti BC screeningu jako pomůcka pro radiology systémy umělé inteligence (AI)-Computer Aided Diagnosis (CAD), charakterizované vestavěnými algoritmy hlubokého učení, s cílem optimalizovat konvenční CAD systém se slabou stránkou ručně vyráběná extrakce funkcí. Prozatím samostatná výkonnost nových nástrojů AI-CAD prokázala slibnou přesnost a efektivitu v diagnostice BC, z velké části připisovanou využití konvoluční neuronové sítě (CNN), a některé z nich již dosáhly úrovně podobné radiologům. Na druhé straně se ukázalo, že výkon radiologů při screeningu BC se zlepšil díky využití systému AI-CAD jako nástroje podpory rozhodování. Vzhledem k rostoucí implementaci komerčního systému AI-CAD by mělo být provedeno důkladné hodnocení jeho užitečnosti a nákladové efektivity v klinických podmínkách ve scénářích napodobujících skutečný život před širokým přijetím, jako jsou jiné vznikající a slibné technologie. To vyžaduje ověřovat systémy AI-CAD v BC screeningu na více, různorodých a reprezentativních souborech dat a také odhadnout rozhraní mezi čtečkou a systémem. Tato navrhovaná studie se snaží prozkoumat diagnostický výkon systému AI-CAD používaného pro čtení mamografů. V této práci použijeme komerčně dostupný nástroj AI-CAD založený na algoritmech hlubokého učení (IBM Watson Imaging AI Solution) k identifikaci a charakterizaci podezřelých lézí prsu na mamografech. Potenciální rakovinné léze mohou být označeny a jejich mamografické rysy a pravděpodobnost malignity budou automaticky hlášeny. Po následném zpracování AI provedeme dále statistickou analýzu, abychom určili přesnost systému AI-CAD pro predikci rizika BC.