Vrouwen kennen de oefening:borstkanker is te vaak een kankerdiagnose om te negeren, omdat vroege detectie een verschil kan maken. Hoewel valse positieven een enorme hoeveelheid onnodige stress kunnen veroorzaken, valse negatieven hebben invloed op hoe vroeg een kanker wordt ontdekt en vervolgens wordt behandeld.

Eerdere detectie kan de persoon meer opties geven voor succesvolle interventie en therapieën terwijl haar toestand zich nog in een vroeg stadium bevindt.

Een team van IBM Research heeft zich tot kunstmatige intelligentie gewend om te zien of ze een oplossing kunnen bedenken die een indrukwekkend niveau van nauwkeurige detectie van borstkanker oplevert, en hun resultaten zijn bemoedigend.

In een IBM Research Blog-bericht, Michal Chorev van IBM Research beschreef de doelen van het team, inspanningen en resultaten.

Hij zei dat "als het eerste algoritme in zijn soort dat leert en beslissingen neemt op basis van zowel beeldvormingsgegevens als de gezondheidsgeschiedenis van een patiënt, ons model was in staat om de ontwikkeling van borstkanker correct te voorspellen in 87 procent van de geanalyseerde gevallen, en was ook in staat om 77 procent van de niet-kankergevallen correct te interpreteren."

De toevoeging van klinische gegevens aan de mammogrammen verhoogde de AUROC en gevoeligheid van het model aanzienlijk.

"Als we alleen op klinische gegevens zijn gebaseerd, ons model behaalde een AUROC van 0,78, verbetering van de voorspelling van het risico op borstkanker in vergelijking met gangbare risicomodellen zoals het Gail-model. Bovendien, we waren in staat om klinische factoren te identificeren die mogelijk bijdragen aan een verhoogd risico en die niet eerder door andere modellen werden gebruikt, zoals witte bloedcelprofielen en schildklierfunctietests."

Ten eerste, het team van IBM Research-Haifa veronderstelde dat een model dat machine learning en deep learning combineert, zou kunnen worden toegepast om borstkanker te beoordelen op een niveau dat vergelijkbaar is met dat van radiologen en met de mogelijkheden om als tweede lezer in de klinische praktijk te worden geaccepteerd.

Zoals later bleek, het lijkt alsof het voorspellen van borstkanker met AI met een nauwkeurigheid die dicht bij de nauwkeurigheid van radiologen ligt, niet zomaar een vlucht van de verbeelding was.

Het werk van deze IBM-onderzoekers verschijnt in Radiologie en het bespreekt het AI-model dat de ontwikkeling van kwaadaardige borstkanker bij patiënten binnen het jaar kan voorspellen met gunstige nauwkeurigheidspercentages. "Een nauwkeurigere voorspelling zou het potentieel kunnen bieden om het aantal vrouwen dat voor onnodige tests wordt gestuurd te verminderen - of het trauma ervaart dat ze onnodig als een hoog risico worden toegewezen - door traditionele modellen."

Dit zou niet de eerste keer zijn dat onderzoek zich voor dergelijke doeleinden tot AI wendt. Onderzoekers bouwden al voorspellingsmodellen op basis van kunstmatige intelligentie, zei Adnan Farooqui in Ubergizmo .

Fingas maakte het onderscheid naar wat nieuw is aan dit werk. Hoewel er al AI-voorspellingsmethoden waren, ofwel vertrouwden ze op mammogrambeelden of ze concentreerden zich op medische dossiers. "IBM's onderscheidt zich door beide te gebruiken."

Chorev blogde dat dit "het eerste algoritme in zijn soort was om te leren en beslissingen te nemen op basis van zowel beeldvormingsgegevens als de uitgebreide gezondheidsgeschiedenis van een patiënt."

Hoe uitgebreid? Het antwoord ligt in hoe IBM zijn AI heeft getraind, met geanonimiseerde mammografiebeelden gekoppeld aan biomarkers (zoals reproductiegeschiedenis) en klinische gegevens, zei Fingas. Volgens de IBM Research-blog, ze trainden het algoritme op 9, 611 mammogrammen en gezondheidsdossiers van vrouwen, met twee doelstellingen:(1) het voorspellen van maligniteit van biopsie en (2) onderscheid maken tussen normale en abnormale screeningsonderzoeken.

"Via IBM-onderzoekspartners Maccabi Health Services en Assuta Medical Center, twee grote zorgaanbieders in Israël, ons team heeft een groot aantal geanonimiseerde, vrijwillig verzamelde mammografiebeelden die ook waren gekoppeld aan een rijke en gedetailleerde registratie van de klinische gegevens van de betreffende persoon, zoals een geschiedenis van eventuele kankerdiagnoses, zwangerschapsgeschiedenis en status van de menopauze."

Bovendien, er waren eigenschappen die je niet alleen in beeld zou ontdekken, bijv. ijzertekort en schildklierfunctie. Algemeen, schreef Chorev, dit gaat allemaal over een "verbazingwekkende hoeveelheid gegevens" die "een diepe bron van informatie oplevert waaruit onze machine learning-modellen kunnen leren."

Door de hoeveelheid gegevens konden de algoritmen "patronen en trends met elkaar verbinden die anders misschien niet mogelijk waren". Gegevens betroffen biopsieën, laboratoriumtests, kankerregistraties en codes van andere diagnoses en procedures.

Het team ziet dit AI-model niet als vervanging voor radiologen, maar als een tweede paar ogen. Naast menselijke beoordelingen, "de nauwkeurigheid is goed genoeg om te dienen als een 'tweede paar ogen, ' volgens IBM."

Het zou de prognose van een radioloog kunnen verifiëren en de kans verkleinen dat patiënten worden doorgestuurd voor onnodige vervolgonderzoeken.

Het analyseren van mammogrammen is een uitdagende taak. De verschillen tussen laesies en achtergrond kunnen subtiel zijn:er zijn meerdere soorten mogelijke bevindingen in vorm, maat, kleur, textuur en andere factoren.

Radiologie Business :Hoewel het model van het team niet per se beter presteerde dan radiologen, zijn prestaties vielen binnen "het aanvaardbare bereik van radiologen voor screening op borstkanker."

Voor verder lezen, hun paper "Predicting Breast Cancer by Applying Deep Learning to Linked Health Records and Mammograms" verschijnt in: Radiologie .

© 2019 Wetenschap X Netwerk