Ondanks grote vooruitgang in genetica en moderne beeldvorming, de diagnose verrast de meeste borstkankerpatiënten. Voor sommigen, het komt te laat. Latere diagnose betekent agressieve behandelingen, onzekere resultaten, en meer medische kosten. Als resultaat, het identificeren van patiënten is een centrale pijler geweest van borstkankeronderzoek en effectieve vroege opsporing.

Met dat in gedachten, een team van MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL) en het Massachusetts General Hospital (MGH) heeft een nieuw deep-learningmodel ontwikkeld dat op basis van een mammogram kan voorspellen of een patiënt binnen vijf jaar waarschijnlijk borstkanker zal krijgen. toekomst. Getraind op mammogrammen en bekende resultaten van meer dan 60, 000 MGH-patiënten, het model leerde de subtiele patronen in borstweefsel die voorlopers zijn van kwaadaardige tumoren.

MIT-professor Regina Barzilay, zelf een overlevende van borstkanker, zegt dat de hoop is op systemen zoals deze om artsen in staat te stellen screening- en preventieprogramma's op individueel niveau aan te passen, waardoor late diagnose een overblijfsel uit het verleden wordt.

Hoewel is aangetoond dat mammografie de sterfte aan borstkanker vermindert, er is een voortdurende discussie over hoe vaak te screenen en wanneer te beginnen. Terwijl de American Cancer Society jaarlijkse screening aanbeveelt vanaf de leeftijd van 45, de U.S. Preventative Task Force beveelt aan om elke twee jaar te screenen vanaf de leeftijd van 50.

"In plaats van een one-size-fits-all-aanpak, we kunnen screening personaliseren rond het risico van een vrouw om kanker te ontwikkelen, " zegt Barzilay, senior auteur van een nieuw artikel over het project dat vandaag in Radiology is gepubliceerd. "Bijvoorbeeld, een arts kan aanbevelen dat een groep vrouwen om de twee jaar een mammogram krijgt, terwijl een andere groep met een hoger risico aanvullende MRI-screening zou kunnen krijgen." Barzilay is de Delta Electronics Professor bij CSAIL en het Department of Electrical Engineering and Computer Science aan het MIT en lid van het Koch Institute for Integrative Cancer Research aan het MIT.

Het model van het team was significant beter in het voorspellen van risico dan bestaande benaderingen:het plaatste 31 procent van alle kankerpatiënten nauwkeurig in de categorie met het hoogste risico, vergeleken met slechts 18 procent voor traditionele modellen.

Harvard-professor Constance Lehman zegt dat er in de medische gemeenschap eerder minimale steun was voor screeningstrategieën die eerder op risico dan op leeftijd zijn gebaseerd.

"Dit komt omdat we voorheen geen nauwkeurige instrumenten voor risicobeoordeling hadden die voor individuele vrouwen werkten, " zegt Lehman, een professor in radiologie aan de Harvard Medical School en afdelingshoofd van borstbeeldvorming bij MGH. "Ons werk is het eerste dat laat zien dat het kan."

Barzilay en Lehman schreven het artikel samen met hoofdauteur Adam Yala, een CSAIL Ph.D. student. Andere co-auteurs van MIT zijn onder meer Ph.D. student Tal Schuster en voormalig masterstudent Tally Portnoi.

Hoe het werkt

Sinds het eerste risicomodel voor borstkanker uit 1989, ontwikkeling is grotendeels gedreven door menselijke kennis en intuïtie van wat belangrijke risicofactoren kunnen zijn, zoals leeftijd, familiegeschiedenis van borst- en eierstokkanker, hormonale en reproductieve factoren, en borstdichtheid.

Echter, de meeste van deze markers zijn slechts zwak gecorreleerd met borstkanker. Als resultaat, dergelijke modellen zijn nog steeds niet erg nauwkeurig op individueel niveau, en veel organisaties vinden nog steeds dat op risico's gebaseerde screeningprogramma's niet mogelijk zijn, gezien die beperkingen.

In plaats van handmatig de patronen in een mammogram te identificeren die toekomstige kanker veroorzaken, het MIT/MGH-team heeft een deep-learningmodel getraind om de patronen rechtstreeks uit de gegevens af te leiden. Met behulp van informatie van meer dan 90, 000 mammogrammen, het model detecteerde patronen die te subtiel waren voor het menselijk oog om te detecteren.

"Sinds de jaren zestig hebben radiologen opgemerkt dat vrouwen unieke en zeer variabele patronen van borstweefsel hebben die zichtbaar zijn op het mammogram, " zegt Lehman. "Deze patronen kunnen de invloed van genetica vertegenwoordigen, hormonen, zwangerschap, borstvoeding, eetpatroon, gewichtsverlies, en gewichtstoename. We kunnen deze gedetailleerde informatie nu gebruiken om nauwkeuriger te zijn in onze risicobeoordeling op individueel niveau."

Kankerdetectie rechtvaardiger maken

Het project heeft ook tot doel de risicobeoordeling nauwkeuriger te maken voor raciale minderheden, vooral. Veel vroege modellen werden ontwikkeld op blanke populaties, en waren veel minder nauwkeurig voor andere rassen. Het MIT/MGH-model, In de tussentijd, is even nauwkeurig voor blanke en zwarte vrouwen. Dit is vooral belangrijk omdat is aangetoond dat zwarte vrouwen 42 procent meer kans hebben om te overlijden aan borstkanker vanwege een breed scala aan factoren, waaronder verschillen in detectie en toegang tot gezondheidszorg.

"Het is vooral opvallend dat het model even goed presteert voor blanke als zwarte mensen, wat niet het geval was met eerdere tools, " zegt Allison Kurian, een universitair hoofddocent geneeskunde en gezondheidsonderzoek/beleid aan de Stanford University School of Medicine. "Indien gevalideerd en beschikbaar gemaakt voor wijdverbreid gebruik, dit zou onze huidige strategieën om risico's in te schatten echt kunnen verbeteren."

Barzilay zegt dat hun systeem artsen op een dag ook in staat zou kunnen stellen om mammogrammen te gebruiken om te zien of patiënten een groter risico lopen op andere gezondheidsproblemen. zoals hart- en vaatziekten of andere vormen van kanker. De onderzoekers staan ​​te popelen om de modellen toe te passen op andere ziekten en kwalen, en vooral die met minder effectieve risicomodellen, zoals alvleesklierkanker.

"Ons doel is om deze verbeteringen onderdeel te maken van de zorgstandaard, ", zegt Yala. "Door te voorspellen wie in de toekomst kanker zal krijgen, we kunnen hopelijk levens redden en kanker krijgen voordat de symptomen zich ooit voordoen."

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.