Kunstig intelligens i mammografibaseret brystkræftscreening

Brystkræft (BC) er den mest almindelige kræftsygdom blandt kvinder i hele verden og den næststørste årsag til kræftrelateret død.

Som hjørnestenen i BC-screening er mammografi anerkendt som en af ​​nyttige billeddannelsesmodaliteter til at reducere BC-dødelighed i kraft af tidlig påvisning af BC. Imidlertid er mammografitolkning i sagens natur subjektiv vurdering og tilbøjelig til overdiagnosticering.

I de senere år er kunstig intelligens (AI)-Computer Aided Diagnosis (CAD) systemer, karakteriseret ved indlejrede deep-learning algoritmer, trådt ind i BC screening som en hjælp for radiologer med det formål at optimere konventionelt CAD system med svaghed håndlavede funktioner ekstraktion. For nu har stand-alone ydeevne af nye AI-CAD-værktøjer vist lovende nøjagtighed og effektivitet i BC-diagnose, hovedsageligt tilskrevet brugen af ​​​​convolution neurale netværk (CNN'er), og nogle af dem har allerede opnået radiolog-lignende niveau. På den anden side har radiologers præstationer på BC-screening vist sig at blive forbedret ved at udnytte AI-CAD-systemet som beslutningsstøtteværktøj. Som stigende implementering af kommercielt AI-CAD-system, bør robust evaluering af dets anvendelighed og omkostningseffektivitet under kliniske omstændigheder udføres i scenarier, der efterligner det virkelige liv før bred adoption, ligesom andre nye og lovende teknologier. Dette kræver at validere AI-CAD-systemer i BC-screening på flere, forskellige og repræsentative datasæt og også at estimere grænsefladen mellem læser og system. Denne foreslåede undersøgelse søger at undersøge brystkræftdiagnostisk ydeevne af AI-CAD-system, der bruges til at læse mammografi. I dette arbejde vil vi anvende et kommercielt tilgængeligt AI-CAD-værktøj baseret på deep-learning algoritmer (IBM Watson Imaging AI Solution) til at identificere og karakterisere de mistænkelige brystlæsioner på mammografi. De potentielle kræftlæsioner kan mærkes, og deres mammografiske træk og sandsynlighed for malignitet vil automatisk blive rapporteret. Efter AI-efterbehandling skal vi yderligere udføre statistisk analyse for at bestemme nøjagtigheden af ​​AI-CAD-systemet til forudsigelse af BC-risiko.