Terobosan AI: Analisis Mammogram 1 Detik Deteksi Risiko Kanker Payudara melalui Kepadatan Jaringan
- Model deep learning baru menganalisis jaringan payudara pada mammogram dan secara akurat memperkirakan penilaian kepadatan.
- Penilaian ini adalah faktor risiko independen untuk kanker payudara.
- Model ini memerlukan waktu kurang dari satu detik untuk memproses satu mammogram dan dapat dengan mudah Diskalakan di seluruh rumah sakit.
Di Amerika Serikat, tingkat kematian kanker payudara jauh lebih tinggi dari jenis kanker lainnya, kecuali kanker paru-paru (pada perempuan). Menurut breastcancer.org, sekitar 12,4 persen perempuan di AS mengembangkan kanker payudara invasif sepanjang hayat mereka.
Mammografi adalah metode menggunakan sinar X daya rendah untuk menganalisis payudara manusia untuk skrining dan diagnosis. Namun, jaringan padat dapat menyulitkan proses ini dengan menutupi kanker pada mammogram. Biasanya, evaluasi kepadatan payudara bergantung pada penilaian subjektif manusia. Hasilnya bervariasi di antara radiolog karena beberapa faktor.
Sekarang, peneliti di Massachusetts General Hospital (MGH) dan MIT telah membangun alat otomatis yang secara akurat menganalisis jaringan payudara padat pada mammogram. Ini adalah model deep learning yang dilatih pada puluhan ribu mammogram digital berdefinisi tinggi sehingga dapat belajar bagaimana membedakan antara berbagai jenis jaringan payudara.
Diberikan citra mammografi baru, alat dapat mendeteksi pengukuran kepadatan yang setara dengan para ahli radiolog. Menurut para penulis, ini adalah AI pertama jenisnya yang berhasil divalidasi pada pasien di rumah sakit. Mereka percaya bahwa teknologi ini dapat diterapkan secara luas di seluruh negeri dan akan membawa keandalan yang lebih tinggi pada penilaian jaringan payudara.
Pelatihan
Alat ini didasarkan pada jaringan saraf konvolusional yang terdiri dari neuron dengan bobot dan bias yang dapat dipelajari. Mereka melatih dan menguji jaringan pada dataset kaya yang berisi lebih dari 58.000 citra mammografi yang diambil secara acak dari 39.000 perempuan yang tersaring dari tahun 2009 hingga 2011. Sekitar 41.000 citra ini digunakan untuk pelatihan, dan 8.600 untuk pengujian.
Setiap citra demografi berisi penilaian kepadatan standar BI-RADS (breast imaging reporting and data system) dalam 4 kelompok:
- Heterogen (cenderung padat)
- Kepadatan Tersebar
- Padat
- Lemak
Dalam fase pelatihan dan pengujian, hampir 40 persen dinilai sebagai padat dan heterogen. Selama fase pelatihan, jaringan diberi citra mammografi acak untuk evaluasi. Secara bertahap ia belajar untuk memetakan mammogram dengan cara yang selaras dengan penilaian kepadatan para ahli.
Misalnya, jaringan jaringan payudara lemak tampak lebih tipis dengan area abu-abu di seluruhnya, sedangkan payudara padat terdiri dari jaringan ikat fibrous dan kelenjar yang tampak sebagai jaringan padat di seluruhnya dan garis putih tebal. Dalam fase pengujian, jaringan melihat citra mammografi baru dan memperkirakan kelompok kepadatan yang paling mungkin.
Referensi: RSNA Radiology | doi:10.1148/radiol.2018180694 | MIT
Alat ini diimplementasikan di departemen citra payudara MGH, di mana diinstal pada mesin terisolasi. Biasanya, sebuah dihasilkan dan dikirim ke fasilitas untuk evaluasi, yang dilakukan oleh radiolog ahli. Setelah semua penelitian yang diperlukan, dia memberikan penilaian kepadatan kepada setiap mammogram.
Saat para ahli membuka pemindaian di fasilitas mereka, mereka akan melihat penilaian yang diberikan oleh alat deep learning ini, yang dapat mereka tolak atau terima lebih lanjut.
Hasil
Jaringan memerlukan waktu kurang dari satu detik untuk memproses satu mammogram dan dapat Diskalakan di seluruh rumah sakit di kota, tanpa mengeluarkan banyak uang dan tenaga kerja yang luas.
Penilaian radiolog vs penilaian deep learning (DL) untuk tes biner | Kredit para peneliti
Antara Januari dan Mei (2018), jaringan mengamati lebih dari 10.000 citra mammografi, dan mampu mencapai 94 persen persetujuan di antara para ahli dalam tes biner, di mana mereka harus menentukan apakah payudara adalah padat dan heterogen atau tersebar dan lemak. Untuk semua 4 kelompok BI-RADS, ia selaras dengan pendapat para ahli 90 persen dari waktu.
Penilaian radiolog vs penilaian deep learning (DL) untuk 4 kelompok BI-RADS | Kredit para peneliti
Secara umum dalam pengujian (berdasarkan dataset pelatihan), jaringan cocok dengan tafsiran radiolog 87 persen dari waktu dalam tes biner, dan 77 persen di seluruh 4 kelompok BI-RADS.
Baca: AI Dapat Mencium Penyakit pada Nafas Manusia | Termasuk Berbagai Jenis Kanker
Teknik prediksi konvensional menggunakan metrik yang disebut skor kappa, di mana 1 mewakili bahwa estimasi selalu sepakat dan nilai lebih rendah mewakili lebih sedikit kasus persetujuan. Untuk metode yang ada, skor kappa mencapai hingga 0,6, sedangkan untuk model baru, ia mencapai 0,85 dalam aplikasi klinis dan 0,76 dalam pengujian umum. Ini secara jelas menunjukkan bahwa alat baru membuat estimasi yang lebih baik dari teknik konvensional.
