Niedawno opublikowane badanie w czasopiśmie Radiology wykazało, że model uczenia maszynowego oparty na mammografiach może wykrywać więcej przypadków raka piersi podczas przesiewowych badań MRI w porównaniu do tradycyjnych modeli oceny ryzyka. Badanie, którego autorem jest dr Leslie Lamb z Massachusetts General Hospital, wykazało, że głęboki model uczenia maszynowego osiągał wyższe wskaźniki wykrywania raka i wartości predykcyjne dodatnie (PPV) u pacjentów o wysokim ryzyku w porównaniu do modeli Tyrer-Cuzick i Narodowego Instytutu Raka Narządu Piersiowego (BCRAT).
Tradycyjne modele oceny ryzyka, takie jak Tyrer-Cuzick i BCRAT, są powszechnie stosowane do określania, czy kobiety poddające się przesiewowym badaniom raka piersi powinny mieć dodatkowe badania MRI. Jednak te modele mają ograniczoną skuteczność w przewidywaniu raka piersi. Aby ocenić dokładność diagnostyczną głębokiego modelu uczenia maszynowego, badacze porównali go z tradycyjnymi modelami ryzyka u pacjentów, którzy przeszli dodatkowe badania MRI.
Głęboki model uczenia maszynowego przewiduje ryzyko rozwoju raka piersi u pacjenta przez pięć lat, korzystając z standardowych dwuwymiarowych obrazów mammograficznych. Obrazy te są przetwarzane przez enkoder obrazów i moduł agregacji w celu połączenia informacji z różnych perspektyw. Na podstawie tego model przewiduje tradycyjne czynniki ryzyka u pacjenta. Model został przeszkolony na dużym zbiorze danych i wykazał obiecujące wyniki w przewidywaniu ryzyka raka piersi.
W badaniu wzięło udział 2168 kobiet w wieku mediany 54 lata, które przeszły 4247 przesiewowych badań MRI będących w grupie wysokiego ryzyka. Badacze stwierdzili, że model głębokiego uczenia maszynowego osiągał wyższe wskaźniki wykrywania raka i wartości predykcyjne dodatnie w porównaniu do tradycyjnych modeli ryzyka. Na przykład, model głębokiego uczenia maszynowego miał istotnie wyższy wskaźnik wykrywania raka równy 20,6 na 1000 badań, w porównaniu do odpowiednio 6 i 6,8 na 1000 badań dla modeli Tyrer-Cuzick i BCRAT.
Wnioski z tego badania wspierają zastosowanie modelu głębokiego uczenia maszynowego w praktyce klinicznej w celu przesiewowego badania raka piersi. Badacze są zdania, że po dalszej walidacji i przeprowadzeniu badań prospektywnych ten model uczenia maszynowego może być szeroko stosowany. Oczekuje się również wytycznych dotyczących stosowania go w praktyce klinicznej.
W towarzyskim komentarzu dr Min Sun Bae z Korea University Ansan Hospital podkreślił potrzebę przeprowadzenia więcej badań prospektywnych w celu wsparcia spersonalizowanego przesiewowego badania raka piersi i ustosunkowania się do pytań dotyczących klinicznego wykorzystania modeli głębokiego uczenia maszynowego. Informacje zawarte w obrazach mammograficznych same w sobie mogą być wartościowe w poprawie skuteczności badań przesiewowych, a częstotliwość badań przesiewowych i uzupełniających obrazowanie można spersonalizować na podstawie indywidualnego ryzyka raka piersi.
Źródło: Radiology (brak podanego URL)
