AI Baru Mendeteksi Kanker Payudara Dengan Menganalisis Kepadatan Jaringan Mammografi
- Model pembelajaran mendalam baru menganalisis jaringan payudara dalam mammogram dan memperkirakan peringkat kepadatan secara akurat.
- Peringkat ini merupakan faktor risiko independen untuk kanker payudara.
- Model ini membutuhkan waktu kurang dari satu detik untuk memproses satu mammogram dan dapat dengan mudah diskalakan di seluruh rumah sakit.
Di Amerika Serikat, tingkat kematian akibat kanker payudara secara signifikan lebih tinggi daripada jenis kanker lainnya, selain kanker paru-paru (pada wanita). Menurut breastcancer.org, sekitar 12,4 persen wanita di AS mengembangkan kanker payudara invasif selama hidup mereka.
Mammografi adalah metode memanfaatkan sinar-X berdaya rendah untuk menganalisis payudara manusia untuk skrining dan diagnosis. Namun, jaringan padat dapat mempersulit proses ini dengan menutupi kanker pada mammogram. Biasanya, evaluasi kepadatan payudara tergantung pada penilaian subjektif manusia. Hasilnya bervariasi di seluruh ahli radiologi karena beberapa faktor.
Sekarang, para peneliti di Rumah Sakit Umum Massachusetts (MGH) dan MIT telah membangun alat otomatis yang secara akurat menganalisis jaringan payudara padat dalam mammogram. Ini adalah model pembelajaran mendalam yang dilatih pada puluhan ribu mammogram digital definisi tinggi sehingga dapat mempelajari cara membedakan berbagai jenis jaringan payudara.
Dengan citra mamografi baru, alat tersebut dapat mendeteksi pengukuran kepadatan yang dapat diandalkan seperti ahli radiologi. Menurut penulis, ini adalah AI pertama dari jenisnya yang berhasil didemonstrasikan pada pasien di rumah sakit. Mereka percaya bahwa teknologi ini dapat diterapkan secara luas di seluruh negeri dan akan membawa keandalan yang lebih tinggi untuk penilaian jaringan payudara.
Pelatihan
Alat ini didasarkan pada jaringan saraf convolutional yang terdiri dari neuron dengan bobot dan bias yang dapat dipelajari. Mereka melatih dan menguji jaringan pada kumpulan data kaya yang berisi lebih dari 58.000 gambar mamografi yang diambil secara acak dari 39.000 wanita yang disaring dari 2009 hingga 2011. Sekitar 41.000 dari gambar ini digunakan untuk pelatihan, dan 8.600 untuk pengujian.
Setiap gambar demografis berisi peringkat kepadatan BI-RAIDS (pelaporan pencitraan payudara dan sistem data) standar dalam 4 kelompok:
- Heterogen (kebanyakan padat)
- Kepadatan Tersebar
- Padat
- Lemak
Pada fase pelatihan dan pengujian, hampir 40% dinilai sebagai padat dan heterogen. Sepanjang fase pelatihan, jaringan diberi gambar mamografi acak untuk evaluasi. Ia secara bertahap belajar memetakan mammogram dengan cara yang sangat selaras dengan peringkat kepadatan para ahli.
Misalnya, jaringan jaringan payudara berlemak tampak lebih tipis dengan area abu-abu di seluruh, sedangkan payudara padat terdiri dari jaringan ikat fibrosa dan kelenjar yang tampak sebagai jaringan padat bercak putih padat dan garis putih tebal. Dalam fase pengujian, jaringan melihat gambar mamografi baru dan memperkirakan kelompok kepadatan yang paling mungkin.
Referensi:Radiologi RSNA | doi:10.1148/radiol.2018180694 | MIT
Alat ini diimplementasikan di departemen pencitraan payudara MGH, di mana alat itu dipasang di mesin yang terisolasi. Biasanya, mammogram dibuat dan dikirim ke fasilitas untuk evaluasi, yang dilakukan oleh ahli radiologi. Setelah semua penyelidikan yang diperlukan, ia memberikan peringkat kepadatan untuk setiap mammogram.
Saat para ahli melakukan pemindaian di fasilitas mereka, mereka akan melihat peringkat yang diberikan oleh alat pembelajaran mendalam ini, yang selanjutnya dapat mereka tolak atau terima.
Hasil
Jaringan membutuhkan waktu kurang dari satu detik untuk memproses satu mammogram dan dapat ditingkatkan ke seluruh rumah sakit di kota, tanpa menghabiskan banyak uang dan tenaga yang banyak.
Penilaian ahli radiologi vs penilaian pembelajaran mendalam (DL) untuk tes biner | Atas perkenan peneliti
Antara Januari dan Mei (2018), jaringan mengamati lebih dari 10.000 gambar mamografi, dan mampu mencapai 94% kesepakatan di antara para ahli dalam tes biner, di mana mereka harus menentukan apakah payudara padat dan heterogen atau tersebar dan berlemak. Untuk semua 4 kelompok BI-RAIDS, 90% sejalan dengan pendapat para ahli.
Penilaian ahli radiologi vs penilaian pembelajaran mendalam (DL) untuk 4 kelompok BI-RAIDS | Atas perkenan peneliti
Dalam pengujian umum (berdasarkan dataset pelatihan), jaringan cocok dengan interpretasi ahli radiologi 87% dari waktu dalam tes biner, dan 77% di 4 kelompok BI-RADS.
Baca:AI Bisa Mencium Penyakit Pada Napas Manusia | Termasuk Kanker yang Berbeda
Teknik prediksi konvensional menggunakan metrik bernama skor kappa, di mana 1 menyatakan bahwa estimasi setuju setiap saat dan nilai yang lebih rendah mewakili lebih sedikit kasus kesepakatan. Untuk metode yang ada, skor Kappa mencapai 0,6, sedangkan untuk model baru mencapai 0,85 dalam aplikasi klinis dan 0,76 dalam pengujian umum. Ini jelas menunjukkan bahwa alat baru membuat estimasi yang lebih baik daripada teknik konvensional.
