Tuleva havaintotutkimus rintojen mikrokalkkiutumien luokittelusta tekoälytekniikoilla

Rintojen mikrokalkkiutumiset luokitellaan tällä hetkellä BI-RADS-radiologisella asteikolla. Epäilyttävien mikrokalsifikaatioiden (B3) tapauksessa on suositeltavaa tehdä biopsia histopatologista arviointia varten. Kuitenkin noin 70-80 % tehdyistä biopsioista osoittaa hyvänlaatuista histologiaa, joka ei vaadi kirurgista hoitoa. Ydinbiopsiat ovat invasiivisia toimenpiteitä, jotka aiheuttavat biologisia, psykologisia (potilaan epämukavuus), organisatorisia ja taloudellisia (terveydenhuoltojärjestelmän) kustannuksia. Siksi tarkkuuden parantaminen mikrokalkkiutumien radiologisessa luokituksessa on välttämätöntä. Viime aikoina kirjallisuudessa on raportoitu erilaisia ​​lähestymistapoja mikrokalkkeutumisen havaitsemiseksi ja luokittelemiseksi hyvänlaatuiseksi tai epäilyttäväksi digitaalisissa mammografioissa. Myös syväoppimisen (DL) käyttöön perustuvat analyysimenetelmät ovat nousseet lupaaviksi mammografiakuvien käsittelyssä. Konvoluutiohermoverkot (CNN) ovat tällä hetkellä kuvan luokittelun huippua monilla tietokonenäön sovellusalueilla. Tämän tutkimuksen tarkoituksena on ottaa käyttöön luokittelumenetelmä rintojen mikrokalkkiutumisille (hyvän- tai pahanlaatuisiksi) tekoäly (AI) -tekniikoilla mammografiassa, arvioiden tämän lähestymistavan diagnostista suorituskykyä (tarkkuutta). Arviointi suoritetaan standardiradiologisen lähestymistavan (BI-RADS-luokitus) mukaisesti.

Yhdessä tekoälyjärjestelmien soveltamisen kanssa mammografiseen kuvantamiseen, nykyinen kliininen lisätarve on sellaisen diagnostisen työkalun kehittäminen, joka pystyy määrittämään in situ mikrokalsifikaatioiden biomolekyyliset ominaisuudet ja erottamaan tarkasti niiden luonteen ilman kudoksen ottamista, kiinnittämistä ja näytteen upottamista parafiinia ja ilman patologin erittäin erikoistunutta arviointia. Raman-spektroskopia (RS) on biomolekyylisestä näkökulmasta erittäin spesifinen menetelmä ja samalla se on yhteensopiva in vivo -mittausten kanssa. Se koostuu biofotonisesta lähestymistavasta, joka pystyy tutkimaan tietyn näytteen molekyylikoostumusta sen suoran säteilytyksen (laservalon kautta) ja emissiosignaalien samanaikaisen hankinnan kautta. RS-tiedot voitaisiin yhdistää kuvantamisominaisuuksien kanssa AI-mallin toteuttamiseksi rintojen mikrokalkkeutumien yhdistettyä luokittelua varten