Kunstmatige intelligentie bij borstkankerscreening op basis van mammografie

Borstkanker (BC) is wereldwijd de meest voorkomende vorm van kanker bij vrouwen en de tweede belangrijkste doodsoorzaak door kanker.

Als de hoeksteen van BC-screening wordt mammografie erkend als een van de bruikbare beeldvormingsmodaliteiten om BC-sterfte te verminderen, dankzij de vroege detectie van BC. Mammografie-interpretatie is echter inherent subjectief en vatbaar voor overdiagnose.

In de afgelopen jaren zijn kunstmatige intelligentie (AI)-Computer Aided Diagnosis (CAD)-systemen, gekenmerkt door ingebedde deep-learning algoritmen, het gebied van BC-screening binnengetreden als hulpmiddel voor radiologen, met als doel het conventionele CAD-systeem te optimaliseren met de zwakte van handgemaakte functies extractie. Voor nu hebben de stand-alone prestaties van nieuwe AI-CAD-tools veelbelovende nauwkeurigheid en efficiëntie in BC-diagnose aangetoond, grotendeels toegeschreven aan het gebruik van convolution neural network (CNN's), en sommige hebben al het radioloogachtige niveau bereikt. Aan de andere kant is aangetoond dat de prestaties van radiologen op het gebied van BC-screening zijn verbeterd door gebruik te maken van het AI-CAD-systeem als beslissingsondersteunend hulpmiddel. Naarmate de implementatie van een commercieel AI-CAD-systeem toeneemt, moet een robuuste evaluatie van het nut en de kosteneffectiviteit ervan in klinische omstandigheden worden uitgevoerd in scenario's die het echte leven nabootsen voordat brede acceptatie plaatsvindt, zoals andere opkomende en veelbelovende technologieën. Dit vereist het valideren van AI-CAD-systemen in BC-screening op meerdere, diverse en representatieve datasets en ook om de interface tussen lezer en systeem in te schatten. Deze voorgestelde studie heeft tot doel de diagnostische prestaties van het AI-CAD-systeem voor het lezen van mammogrammen voor borstkanker te onderzoeken. In dit werk zullen we een in de handel verkrijgbare AI-CAD-tool gebruiken op basis van deep-learning algoritmen (IBM Watson Imaging AI Solution) om de verdachte borstlaesies op mammogrammen te identificeren en te karakteriseren. De potentiële kankerlaesies kunnen worden gelabeld en hun mammografische kenmerken en maligniteitswaarschijnlijkheid worden automatisch gerapporteerd. Na AI-naverwerking zullen we verdere statistische analyse uitvoeren om de nauwkeurigheid van het AI-CAD-systeem voor BC-risicovoorspelling te bepalen.