BTC$29880

ETH$3666

Шукати

Проривний підхід до глибокого навчання на основі мамографії

Штучний інтелект і досягнення в галузі глибокого навчання відкрили нові шляхи для вдосконалення медичної діагностики та догляду за пацієнтами. Нещодавнє дослідження, опубліковане в журналі Radiology: Artificial Intelligence, продемонструвало потенціал моделі глибокого навчання (DL) на основі мамографії у виявленні передракових змін у жінок з високим ризиком розвитку раку молочної залози. Це дослідження має значні перспективи для покращення виявлення раку молочної залози та стратифікації ризику, особливо в групах населення з підвищеною схильністю до цього захворювання.

Дослідження було зосереджене на використанні моделі глибокого навчання, яка була навчена на великому наборі даних скринінгових мамограм.

Ефективність DL-моделі оцінювали за допомогою площі під кривою робочої характеристики приймача (AUC) для вимірювання її прогностичної точності. Результати продемонстрували багатообіцяючі результати: модель глибокого навчання досягла однорічної AUC 71% і п’ятирічної AUC 65% для прогнозування раку молочної залози. У той час як традиційна система Breast Imaging Reporting and Data System (BI-RADS) мала дещо вищий однорічний показник AUC на рівні 73%, модель DL перевершила її в довгостроковому прогнозуванні раку молочної залози з п’ятирічним показником AUC на рівні 63% порівняно з 54% у BI-RADS.

Дослідження також заглибилося в роль візуалізації в прогнозуванні майбутнього розвитку раку, провівши дзеркальні експерименти для оцінки точності моделі DL у виявленні ранніх або передракових змін, які можуть бути невидимими на стандартних мамограмах. Результати показали важливість візуалізації молочної залози з майбутнім раком для впливу на роботу моделі ДЛ. Позитивне віддзеркалення дало 62% AUC, тоді як негативне віддзеркалення показало 51% AUC, що підкреслює потенціал моделі DL у виявленні передракових або ранніх злоякісних змін.

Особливо багатообіцяючим виявився потенціал моделі глибокого навчання для доповнення системи BI-RADS в короткостроковій стратифікації ризику. Поєднання результатів моделі DL з результатами BI-RADS продемонструвало покращення дискримінації, що свідчить про те, що інструменти DL можуть покращити оцінку скринінгових мамографій та надати більш точні прогнози для короткострокової оцінки ризику.

Дослідники також підкреслили, що навчальний набір даних моделі DL був сфокусований на жінках з високим ризиком і низьким профілем ризику, застерігаючи від прямої екстраполяції результатів на жінок із середнім ризиком розвитку раку молочної залози. Необхідні подальші дослідження для вивчення застосовності моделі DL у різних популяціях та її потенціалу для виявлення раку молочної залози та оцінки ризику для ширшого кола пацієнтів.

В цілому, дослідження підкреслює значну перспективність DL-моделей у виявленні раку молочної залози та стратифікації ризику, особливо для осіб з високим ризиком. Воно відкриває шлях для майбутніх досліджень, спрямованих на вдосконалення моделей глибокого навчання, розширення їхньої корисності для різних груп населення і, зрештою, сприятиме покращенню діагностики раку молочної залози та результатів лікування пацієнтів. З розвитком технологій рішення на основі штучного інтелекту можуть революціонізувати скринінг і лікування раку молочної залози, що призведе до більш раннього виявлення і поліпшення догляду за пацієнтами.