Kunstig intelligens i mammografibasert brystkreftscreening

Brystkreft (BC) er den vanligste kreftformen blant kvinner i verden og den nest største årsaken til kreftrelatert død.

Som hjørnesteinen i BC-screening, er mammografi anerkjent som en av nyttige bildediagnostiske modaliteter for å redusere BC-dødelighet, i kraft av tidlig påvisning av BC. Imidlertid er mammografitolkning iboende subjektiv vurdering, og utsatt for overdiagnostisering.

I de senere årene har kunstig intelligens (AI)-Computer Aided Diagnosis (CAD)-systemer, preget av innebygde dyplæringsalgoritmer, gått inn i feltet for BC-screening som et hjelpemiddel for radiologer, med det formål å optimalisere konvensjonelt CAD-system med svakhet håndlagde funksjoner utvinning. For nå har frittstående ytelse av nye AI-CAD-verktøy vist lovende nøyaktighet og effektivitet i BC-diagnose, i stor grad tilskrevet bruken av konvolusjonsnevrale nettverk (CNN), og noen av dem har allerede oppnådd radiologlignende nivå. På den annen side har radiologers ytelse på BC-screening vist seg å bli forbedret ved å utnytte AI-CAD-systemet som beslutningsstøtteverktøy. Som økende implementering av kommersielt AI-CAD-system, bør robust evaluering av dets nytte og kostnadseffektivitet under kliniske omstendigheter foretas i scenarier som etterligner det virkelige liv før bred adopsjon, som andre nye og lovende teknologier. Dette krever å validere AI-CAD-systemer i BC-screening på flere, mangfoldige og representative datasett og også å estimere grensesnittet mellom leser og system. Denne foreslåtte studien søker å undersøke den diagnostiske ytelsen til brystkreft til AI-CAD-systemet som brukes til å lese mammografi. I dette arbeidet vil vi bruke et kommersielt tilgjengelig AI-CAD-verktøy basert på dyplæringsalgoritmer (IBM Watson Imaging AI Solution) for å identifisere og karakterisere de mistenkelige brystlesjonene på mammografi. De potensielle kreftlesjonene kan merkes og deres mammografiske trekk og sannsynlighet for malignitet vil bli automatisk rapportert. Etter AI-etterbehandling skal vi videre utføre statistisk analyse for å bestemme nøyaktigheten til AI-CAD-systemet for BC-risikoprediksjon.