Prospectief observatieonderzoek naar de classificatie van borstmicrocalcificaties met technieken voor kunstmatige intelligentie

Borstmicrocalcificaties worden momenteel geclassificeerd met behulp van de BI-RADS radiologische schaal. In het geval van verdachte microcalcificaties (B3), wordt aanbevolen om een ​​biopsiebeoordeling uit te voeren voor histopathologische evaluatie. Ongeveer 70-80% van de uitgevoerde biopsieën vertoont echter een goedaardige histologie die geen chirurgische behandeling vereist. Kernbiopten zijn invasieve procedures met biologische, psychologische (ongemak voor de patiënt), organisatorische en economische (voor de gezondheidszorg) kosten. Daarom is de verbetering van de nauwkeurigheid van de radiologische classificatie van microcalcificaties essentieel. Onlangs zijn in de literatuur verschillende benaderingen gerapporteerd om microcalcificatie te detecteren en te classificeren als goedaardig of verdacht in digitale mammogrammen. Analysemethoden gebaseerd op het gebruik van deep learning (DL) zijn ook naar voren gekomen als veelbelovend voor het verwerken van mammografiebeelden. Convolutionele neurale netwerken (CNN's) zijn momenteel de stand van de techniek voor beeldclassificatie in veel toepassingsgebieden op het gebied van computervisie. Deze studie is bedoeld om een ​​classificatiemethode voor microcalcificaties in de borst (goedaardig of kwaadaardig) te implementeren met technieken van kunstmatige intelligentie (AI) op mammografische beelden, waarbij de diagnostische prestatie (nauwkeurigheid) van deze benadering wordt geëvalueerd. De evaluatie zal worden uitgevoerd met verwijzing naar de standaard radiologische benadering (BI-RADS-classificatie).

Samen met de toepassing van AI-systemen op mammografische beeldvorming, is een verdere huidige klinische behoefte de ontwikkeling van een diagnostisch hulpmiddel dat in staat is om in-situ de biomoleculaire kenmerken van microcalcificaties te bepalen, nauwkeurig hun aard te onderscheiden zonder weefsel te nemen, fixatie en inbedding van het monster in paraffine, en zonder zeer gespecialiseerde evaluatie door de patholoog. Raman-spectroscopie (RS) is een zeer specifieke methode vanuit biomoleculair oogpunt en tegelijkertijd compatibel met in-vivo-metingen. Het bestaat uit een biofotonische benadering die in staat is om de moleculaire samenstelling van een bepaald monster te onderzoeken door zijn directe bestraling (door middel van laserlicht) en de gelijktijdige verwerving van emissiesignalen. RS-informatie kan worden gecombineerd met beeldvormingsfuncties om een ​​AI-model te implementeren voor de gecombineerde classificatie van microcalcificaties in de borst