Eine anspruchsvolle Art der künstlichen Intelligenz (KI) an Leistung übertreffen können bestehende Modelle bei der Vorhersage, welche Frauen werden in Zukunft das Risiko von Brustkrebs, nach einer Studie veröffentlicht in der Zeitschrift Radiologie.
Die meisten bestehenden Brustkrebs-screening-Programme basieren auf Mammographie in ähnlichen Zeitabständen—in der Regel jährlich oder alle zwei Jahre—für alle Frauen. Dieses „one-size-fits-all“ – Ansatz ist nicht optimiert für die Krebs-Früherkennung auf individueller Ebene und behindern die Wirksamkeit von screening-Programmen.
„Risiko-Vorhersage ist ein wichtiger Baustein für ein individuell angepasstes screening-Politik,“, sagte Studie führen Autor Karin Dembrower, M. D. -, Brust-Radiologen und Ph. D. Kandidat aus dem Karolinska-Institut in Stockholm, Schweden. „Effektives Risiko-Vorhersage verbessern kann die Teilnahme und das Vertrauen in screening-Programmen.“
Hohe Dichte der Brust, oder eine größere Menge an Drüsen-und Bindegewebes im Vergleich zu fat, ist ein Risikofaktor für Krebs. Während die Dichte eingearbeitet werden können in die Risikobewertung, die aktuelle Vorhersage-Modelle können nicht vollständig, profitieren Sie von den reichhaltigen Informationen, die in Mammographie. Diese information hat das Potenzial zu identifizieren Frauen, die von Vorteil wären zusätzliche screening mit MRT.
Dr. Dembrower und Kollegen entwickelten Risiko-Modell, das sich auf ein tiefes neuronales Netzwerk, eine Art von KI, zu extrahieren, können große Mengen von Informationen von Mammographie-Bildern. Es hat inhärente Vorteile gegenüber anderen Methoden wie visuelle Beurteilung der Mammographie-Dichte durch die Radiologen, die möglicherweise nicht in der Lage zu erfassen, alle Risiko-relevanten Informationen in das Bild.
Das neue Modell wurde entwickelt und geschult Mammographie von diagnostizierten Fällen zwischen 2008 und 2012 und studierte dann auf mehr als 2.000 Frauen im Alter von 40 bis 74 Jahren hatten sich die Mammographie im Karolinska-Universitätskrankenhaus-system. Der 2,283 Frauen in der Studie, 278 wurden später mit Brustkrebs diagnostiziert.
Der deep neural network zeigte ein erhöhtes Risiko, Verein für Brustkrebs im Vergleich zu den besten Mammographie-Dichte-Modell. Die falsch-negativ-rate—die rate, mit der Frauen, die wurden nicht kategorisiert als hoch-Risiko wurden später mit Brustkrebs diagnostiziert—war niedriger für tiefen neuronalen Netzes als für die beste Mammographie-Dichte-Modell.
„Die Tiefe neuronale Netz insgesamt besser war als der Dichte-basierte Modelle,“ Dr. Dembrower sagte. „Und es hat nicht die gleiche Neigung wie die Dichte-basiertes Modell. Seine prädiktive Genauigkeit wurde nicht negativ beeinflusst durch die aggressivere Subtypen.“
Die Ergebnisse der Studie unterstützen eine zukünftige Rolle für AI und Brustkrebs-Risiko-Bewertung.
„Wir sind nicht die Berichterstattung Mammographie-Dichte derzeit,“ Dr. Dembrower sagte. „Bei der Einführung von individuell angepasstes screening, die wir verwenden, deep learning networks ausgebildet, um vorherzusagen, Krebs, anstatt den indirekten Weg, die Dichte bietet.“
Als ein zusätzlicher Vorteil, der KI-Ansatz kann kontinuierlich verbessert werden mit der Exposition, um mehr qualitativ hochwertige Daten-sets.