מודל למידה עמוקה מתפקד ברמה של רדיולוג בטן בזיהוי סרטן ערמונית בעל משמעות קלינית ב-MRI, על פי מחקר שפורסם היום ב- רדיולוגיה, כתב עת של האגודה הרדיולוגית של צפון אמריקה (RSNA). החוקרים מקווים שהמודל יכול לשמש כתוספת לרדיולוגים כדי לשפר את זיהוי סרטן הערמונית.
סרטן הערמונית הוא הסרטן השני בשכיחותו בקרב גברים ברחבי העולם. רדיולוגים משתמשים בדרך כלל בטכניקה המשלבת רצפי MRI שונים (הנקראים MRI multiparametric) כדי לאבחן סרטן ערמונית בעל משמעות קלינית. התוצאות באות לידי ביטוי באמצעות מערכת הדמיה-דיווח ונתונים של הערמונית גרסה 2.1 (PI-RADS), גישת פרשנות ודיווח סטנדרטית. עם זאת, לסיווג הנגעים באמצעות PI-RADS יש מגבלות.
הפרשנות של MRI ערמונית קשה. לרדיולוגים מנוסים יותר יש ביצועי אבחון גבוהים יותר".
Naoki Takahashi, MD, סופר בכיר במחקר, המחלקה לרדיולוגיה, Mayo Clinic ברוצ'סטר, מינסוטה
יישום אלגוריתמים של בינה מלאכותית (AI) על MRI של הערמונית הראה הבטחה לשיפור גילוי הסרטן והפחתת השונות של הצופים, שהיא חוסר העקביות באופן שבו אנשים מודדים או מפרשים דברים שיכולים להוביל לשגיאות. עם זאת, החיסרון הגדול של גישות ה-AI הקיימות הוא שהנגע צריך להיות מוער (הוספת הערה או הסבר) על ידי רדיולוג או פתולוג בזמן פיתוח המודל הראשוני ושוב במהלך הערכה מחדש של המודל והכשרה מחדש לאחר יישום קליני.
"רדיולוגים מציינים נגעים חשודים בזמן הפירוש, אך הערות אלו אינן זמינות באופן שגרתי, ולכן כאשר חוקרים מפתחים מודל למידה עמוקה, עליהם לשרטט מחדש את קווי המתאר", אמר ד"ר טקהאשי. "בנוסף, על החוקרים לתאם את ממצאי ההדמיה עם דו"ח הפתולוגיה בעת הכנת מערך הנתונים. אם קיימים מספר נגעים, ייתכן שלא תמיד יהיה אפשרי לתאם בין נגעים ב-MRI לתוצאות הפתולוגיות המתאימות שלהם. כמו כן, זהו תהליך שגוזל זמן רב. ."
ד"ר טקהאשי ועמיתיו פיתחו סוג חדש של מודל למידה עמוקה כדי לחזות נוכחות של סרטן ערמונית בעל משמעות קלינית מבלי לדרוש מידע על מיקום הנגע. הם השוו את הביצועים שלו לאלו של רדיולוגים בבטן בקבוצה גדולה של חולים ללא סרטן ערמונית בעל משמעות קלינית, שעברו MRI במספר אתרים של מוסד אקדמי אחד. החוקרים אימנו רשת עצבית קונבולוציונית (CNN) – סוג מתוחכם של בינה מלאכותית המסוגלת להבחין בדפוסים עדינים בתמונות מעבר ליכולות של העין האנושית – לחזות סרטן ערמונית בעל משמעות קלינית מ-MRI רב-פרמטרי.
מבין 5,735 בדיקות ב-5,215 חולים, 1,514 בדיקות הראו סרטן ערמונית בעל משמעות קלינית. הן במערך המבחנים הפנימיים של 400 בחינות והן במערך המבחנים החיצוניים של 204 מבחנים, הביצועים של מודל הלמידה העמוקה בזיהוי סרטן הערמונית בעלי משמעות קלינית לא היו שונים מאלו של רדיולוגים מנוסים בבטן. שילוב של מודל הלמידה העמוקה והממצאים של הרדיולוג הניבו ביצועים טובים יותר מאשר רדיולוגים בלבד במערך הבדיקות הפנימי והחיצוני.
מכיוון שהתפוקה ממודל הלמידה העמוקה אינה כוללת את מיקום הגידול, החוקרים השתמשו במשהו שנקרא מפת הפעלה מחלקה משוקללת שיפוע (Grad-CAM) כדי לאתר את הגידולים. המחקר הראה כי עבור בדיקות חיוביות אמיתיות, Grad-CAM הדגיש באופן עקבי את הנגעים המשמעותיים מבחינה קלינית של סרטן הערמונית.
ד"ר טקהאשי רואה במודל עוזר פוטנציאלי לרדיולוג שיכול לסייע בשיפור ביצועי האבחון ב-MRI באמצעות שיעורי גילוי סרטן מוגברים עם פחות תוצאות חיוביות שגויות.
"אני לא חושב שאנחנו יכולים להשתמש במודל הזה ככלי אבחון עצמאי", אמר ד"ר טקהאשי. "במקום זאת, החיזוי של המודל יכול לשמש כתוספת בתהליך קבלת ההחלטות שלנו".
החוקרים המשיכו להרחיב את מערך הנתונים, שהוא כעת פי שניים ממספר המקרים שבהם נעשה שימוש במחקר המקורי. השלב הבא הוא מחקר פרוספקטיבי הבוחן כיצד רדיולוגים מקיימים אינטראקציה עם חיזוי המודל.
"אנו רוצים להציג את הפלט של המודל לרדיולוגים ולהעריך כיצד הם משתמשים בו לפרשנות ולהשוות את הביצועים המשולבים של הרדיולוג והמודל לרדיולוג בלבד בניבוי סרטן הערמונית בעל משמעות קלינית", אמר ד"ר טקהאשי.
"מודל למידה עמוקה אוטומטית לחלוטין לאיתור סרטן ערמונית בעל משמעות קלינית ב-MRI." בשיתוף פעולה עם ד"ר טקהאשי היו ד"ר ג'ייסון סי קאי, ד"ר Hirotsugu Nakai, ד"ר, דוקטור, שיבא קואנר, דוקטור, ד"ר אדם ט. פרומינג, ד"ר קנדיס ו. בולאן, ד"ר אקירה קוואשימה, Ph.D., Hiroaki Takahashi, MD, Ph.D., Lance A. Mynderse, MD, Chandler D. Dora, MD, Mitchell R. Humphreys, MD, Panagiotis Korfiatis, Ph.D., Pouria Rouzrokh, MD, MPH , MHPE, אלכסנדר K. Bratt, MD, Gian Marco Conte, MD, Ph.D., ו-Bradley J. Erickson, MD, Ph.D.
