מודל AI שהוכשר לאתר חריגות בתמונות MR בשד MR תיאר במדויק את מיקומי הגידולים והביאו את דגמי המידוד כאשר נבדקו בשלוש קבוצות שונות, כך עולה ממחקר שפורסם היום ב- רדיולוגיהכתב עת של החברה הרדיולוגית של צפון אמריקה (RSNA).
"MRI בסיוע AI עלול לאתר סרטן כי בני אדם לא ימצאו אחרת", אמר החוקר הראשי של המחקר, פליפה אוביידו, Ph.D., אנליסט מחקר בכיר ב- AI של מיקרוסופט למעבדה טובה.
סינון ממוגרפיה נחשב לסטנדרט הטיפול בסקר סרטן השד. עם זאת, ממוגרפיה פחות יעילה בחולים עם שדיים צפופים. צפיפות השד היא גורם סיכון עצמאי לסרטן השד ויכול להסוות גידול. רופאים עשויים להזמין MRI בשד להשלמת סינון ממוגרפיה לנשים שיש להן שדיים צפופים ואלו הנמצאים בסיכון גבוה לסרטן.
MRI רגיש יותר מממוגרפיה. אבל זה גם יקר יותר ובעל שיעור חיובי כוזב גבוה יותר. "
ד"ר פליפה אוביידו, דוקטור
כדי לשפר את הדיוק והיעילות של בדיקת MRI בשד, צוות המחקר של ד"ר אוביידו שיתף פעולה מקרוב עם חוקרים קליניים במחלקה לרדיולוגיה באוניברסיטת וושינגטון כדי לפתח מודל גילוי אנומליה של AI הניתן להסבר. מודלים לאיתור אנומליה מבדילים בין נתונים רגילים לחריגים, מסמנים את החריגות או חריגות, לצורך חקירה נוספת.
ד"ר אוביידו אמר כי "מודלים שפותחו בעבר הוכשרו בנתונים מהם 50% היו מקרי סרטן ו -50% היו מקרים תקינים, וזו תפוצה מאוד לא מציאותית." "המודלים הללו לא הוערכו בקפדנות בסרטן בהקדמה נמוכה או באוכלוסיות בדיקה (כאשר 2% מכל המקרים או פחות הם סרטן), והם גם חסרי יכולת פרשנות, ששניהם חיוניים לאימוץ קליני."
כדי לטפל במגבלות אלה, החוקרים אימנו את המודל שלהם באמצעות נתונים מכמעט 10,000 בחינות MRI של שד משופרות ניגודיות רצופות שבוצעו באוניברסיטת וושינגטון בין 2005 ל 2022. המטופלים היו לבנים בעיקר (גדולים מ- 80%), ו -42.9% סבלו משדיים צפופים הטרוגניים, ואילו 11.6% סבלו שדיים דנסים במיוחד.
"בניגוד למודלים של סיווג בינארי מסורתי, מודל גילוי האנומליה שלנו למד ייצוג חזק של מקרים שפירים כדי לזהות טוב יותר את ממאירות לא תקינה, גם אם הם מיוצגים תחת נתוני האימונים", אמר ד"ר אוביידו. "מכיוון שממאירות יכולות להתרחש במספר דרכים והם נדירים במערכי נתונים דומים, סוג מודל גילוי האנומליה המוצע במחקר הוא פיתרון מבטיח."
בנוסף למתן ציון אנומליה מוערך, מודל הגילוי מייצר מפת חום שנפתרה במרחב עבור תמונת MR. מפת חום זו מדגישה בצבע את האזורים בתמונה שהמודל מאמין שהוא לא תקין. האזורים הלא תקינים שזוהו על ידי המודל תואמים אזורים של ממאירות מוכחת ביופסיה שהוצגו על ידי רדיולוג, ובעיקרו במידה רבה את הביצועים של דגמי מדד.
המודל נבדק על מערכי נתונים פנימיים וחיצוניים. מערך הנתונים הפנימי כלל בדיקות MRI שבוצעו על 171 נשים (גיל ממוצע 48.8) לצורך סינון (71.9%; 31 סרטן אושרו על ביופסיה עוקבת) או הערכה לפני הניתוח לסרטן ידוע (28.1%; 50 סרטן אושרו על ידי ביופסיה). מערך הנתונים החיצוני, הזמין לציבור, רב-מרכזי, כלל בדיקות MRI בשד לפני הטיפול של 221 נשים עם סרטן שד פולשני.
מודל גילוי האנומליה תיאר במדויק את מיקום הגידול והעלה על דגמי מידוד בביקוי צולב מקובץ, מערכי נתונים של בדיקות פנימיות וחיצוניות, ובשני משימות גילוי מאוזנות (שכיחות גבוהה של סרטן) והן משימות גילוי לא מאוזנות (שכיחות סרטן נמוכה).
אם משולב בזרימות עבודה ברדיולוגיה, ד"ר אוביידו אמר כי מודל גילוי האנומליה עשוי לשלול סריקות נורמליות למטרות משולש ולשפר את יעילות הקריאה.
"המודל שלנו מספק הסבר מובן וברמת פיקסל על מה לא תקין בשד," אמר. "מפות חום אנומליות אלה יכולות להדגיש אזורים הדאגה פוטנציאלית, מה שמאפשר לרדיולוגים להתמקד בבחינות שהן סבירות יותר להיות סרטן."
לפני היישום הקליני, הוא אמר כי יש להעריך את המודל במערכי נתונים גדולים יותר ובמחקרים פרוספקטיביים כדי להעריך את הפוטנציאל שלו לשיפור זרימת העבודה של הרדיולוגים.
"איתור סרטן בסינון MRI בשד באמצעות גילוי אנומליה של AI הניתן להסבר." שיתוף פעולה עם ד"ר אוביידו היו אנום ס. קזרוני, דוקטורט, פיליפ ליזנקי, מ.ס. Ph.D., William B. Weeks, MD, Ph.D., MBA, Rahul Dodhia, Ph.D., Juan M. Lavista Ferres, Ph.D., Habib Rahbar, MD, and Savannah C. Partridge, Ph.D.
