Sztuczna inteligencja w badaniach przesiewowych raka piersi opartych na mammografii

Rak piersi (BC) jest najczęstszym nowotworem złośliwym wśród kobiet na całym świecie i drugą najczęstszą przyczyną zgonów związanych z rakiem.

Jako kamień węgielny badań przesiewowych BC, mammografia jest uznawana za jedną z użytecznych metod obrazowania w celu zmniejszenia śmiertelności BC dzięki wczesnemu wykrywaniu BC. Jednak interpretacja mammografii jest z natury subiektywną oceną i podatna na nadrozpoznawalność.

W ostatnich latach systemy sztucznej inteligencji (AI)-Computer Aided Diagnosis (CAD), charakteryzujące się wbudowanymi algorytmami głębokiego uczenia, weszły do ​​badań przesiewowych BC jako pomoc dla radiologa w celu optymalizacji konwencjonalnego systemu CAD ze słabością ręcznie wykonana ekstrakcja cech. Na razie samodzielna wydajność nowych narzędzi AI-CAD wykazała obiecującą dokładność i skuteczność w diagnostyce BC, w dużej mierze przypisywaną wykorzystaniu splotowych sieci neuronowych (CNN), a niektóre z nich osiągnęły już poziom radiologa. Z drugiej strony, wydajność radiologów w badaniach przesiewowych BC okazała się lepsza dzięki wykorzystaniu systemu AI-CAD jako narzędzia wspomagającego podejmowanie decyzji. Wraz z rosnącym wdrażaniem komercyjnego systemu AI-CAD, solidna ocena jego przydatności i opłacalności w warunkach klinicznych powinna być przeprowadzana w scenariuszach naśladujących rzeczywiste życie przed powszechnym przyjęciem, podobnie jak w przypadku innych pojawiających się i obiecujących technologii. Wymaga to walidacji systemów AI-CAD w badaniach przesiewowych BC na wielu, różnorodnych i reprezentatywnych zestawach danych, a także oszacowania interfejsu między czytnikiem a systemem. To proponowane badanie ma na celu zbadanie wydajności diagnostycznej raka piersi systemu AI-CAD używanego do odczytu mammogramów. W tej pracy wykorzystamy dostępne na rynku narzędzie AI-CAD oparte na algorytmach głębokiego uczenia (IBM Watson Imaging AI Solution), aby zidentyfikować i scharakteryzować podejrzane zmiany piersi na mammogramach. Potencjalne zmiany nowotworowe można oznaczyć, a ich cechy mammograficzne i prawdopodobieństwo złośliwości zostaną automatycznie zgłoszone. Po przetworzeniu AI przeprowadzimy dalszą analizę statystyczną w celu określenia dokładności systemu AI-CAD do przewidywania ryzyka BC.