Artificiell intelligens vid mammografibaserad bröstcancerscreening

Bröstcancer (BC) är den vanligaste cancerformen bland kvinnor i världen och den näst vanligaste orsaken till cancerrelaterad död.

Som hörnstenen i BC-screening är mammografi erkänt som en av användbara bildbehandlingsmetoder för att minska BC-dödligheten, tack vare tidig upptäckt av BC. Emellertid är mammografitolkning till sin natur subjektiv bedömning och benägen att överdiagnostiseras.

Under de senaste åren har artificiell intelligens (AI)-Computer Aided Diagnosis (CAD)-system, kännetecknade av inbyggda djupinlärningsalgoritmer, kommit in på området för BC-screening som ett hjälpmedel för radiologer, med syfte att optimera konventionella CAD-system med svaghet handgjorda funktioner extraktion. För närvarande har fristående prestanda för nya AI-CAD-verktyg visat lovande noggrannhet och effektivitet i BC-diagnos, till stor del tillskrivet användningen av konvolutionsneurala nätverk (CNN), och några av dem har redan uppnått radiologliknande nivå. Å andra sidan har radiologers prestation vid BC-screening visat sig förbättras genom att utnyttja AI-CAD-systemet som beslutsstöd. Som en ökande implementering av kommersiella AI-CAD-system, bör robust utvärdering av dess användbarhet och kostnadseffektivitet under kliniska förhållanden göras i scenarier som efterliknar det verkliga livet innan bred adoption, som andra framväxande och lovande teknologier. Detta kräver att AI-CAD-system valideras i BC-screening på flera, olika och representativa datauppsättningar och även att uppskatta gränssnittet mellan läsare och system. Denna föreslagna studie syftar till att undersöka bröstcancerdiagnostiken hos AI-CAD-system som används för att läsa mammografi. I detta arbete kommer vi att använda ett kommersiellt tillgängligt AI-CAD-verktyg baserat på djupinlärningsalgoritmer (IBM Watson Imaging AI Solution) för att identifiera och karakterisera de misstänkta bröstskadorna på mammografi. De potentiella cancerskadorna kan märkas och deras mammografiska egenskaper och sannolikhet för malignitet kommer att rapporteras automatiskt. Efter AI-efterbehandling kommer vi att ytterligare utföra statistisk analys för att bestämma noggrannheten hos AI-CAD-systemet för BC-riskförutsägelse.