AI-model til klassificering af brystkræft ud fra histopatologiske billeder

Brystkræft, en udbredt og potentielt dødelig sygdom, understreger det presserende behov for tidlig og præcis opdagelse for at forbedre patientens resultater. Den nuværende diagnostiske ramme, karakteriseret ved manuel histopatologisk undersøgelse, udviser iboende ulemper såsom subjektivitet og begrænset gennemstrømning. Som svar har vores forskning til formål at transformere brystkræftdiagnostik ved at udnytte avancerede beregningsteknikker, især dyb læring. Brystkræft kan klassificeres i to hovedundertyper: invasiv og ikke-invasiv.

Ikke-invasiv brystkræft, ofte betegnet in situ brystkræft, er kendetegnet ved unormale celler indesluttet i mælkekanalerne (ductal carcinoma in situ eller DCIS) eller lobules (lobulært carcinoma in situ eller LCIS) uden at invadere omgivende væv. Denne type betragtes som et tidligt stadie og typisk ikke livstruende i sig selv. Invasive brystkræftformer er dem, der spredes fra det oprindelige sted (enten mælkekanalerne eller lobulerne) ind i det omgivende brystvæv. Disse udgør cirka 70 % af alle brystkræfttilfælde og har generelt en dårligere prognose sammenlignet med in-situ undertyperne.

Medicinsk billeddannelse af bryster kan erhverves gennem forskellige teknikker, såsom MR-scanninger, mammografi, ultralyd, termografi, computertomografi-scanninger og histopatologi. Blandt disse tilgange tjener histopatologitesten som guldstandarden for den kliniske diagnose af cancer.

Den foreslåede AI-model har til formål at strømline og forbedre analysen af ​​histopatologiske billeder til klassificering af invasiv og ikke-invasiv brystkræft, der overgår konventionelle metoder og giver et pålideligt middel til at identificere kræftregioner. Dette lover at forbedre nøjagtigheden og effektiviteten af ​​brystkræftdiagnostik markant og imødekomme det presserende behov for pålidelige og skalerbare løsninger. Ved at automatisere den komplekse proces med histopatologisk billedanalyse af brystkræft er vores mål at demokratisere screening, gøre den mere tilgængelig og nå ud til undertjente befolkninger. Desuden rækker vores model ud over teknologisk innovation; den adresserer bredere spørgsmål om tilgængelighed og skalerbarhed, især i lavindkomstmiljøer. Forskningens fokus på domænetilpasning er afgørende, hvilket sikrer modellens nøjagtighed og pålidelighed på tværs af forskellige sundhedsfaciliteter. Dette indebærer at imødekomme forskelle i ressourcer, udstyr og demografiske faktorer, hvilket gør det til en alsidig og tilpasningsdygtig løsning til forskellige sammenhænge.

Sammenfattende sigter vores forskning ikke kun på at fremme den teknologiske grænse inden for brystkræftdiagnostik, men søger også at drive en transformativ ændring i tilgængelighed, effektivitet og pålidelighed. Ved at udvikle en AI-model, der tackler de specifikke udfordringer ved traditionelle metoder, sigter vi mod at få en meningsfuld indvirkning på brystkræftscreening, hvilket i sidste ende fører til tidlig opdagelse, skræddersyet behandling og forbedrede resultater for patienter verden over.