Automatiseret system identificerer tæt væv, en risikofaktor for brystkræft, ved mammografi

Forskere fra MIT og Massachusetts General Hospital har udviklet en automatiseret model, der vurderer tæt brystvæv i mammografi - som er en uafhængig risikofaktor for brystkræft - lige så pålideligt som ekspertradiologer.

Dette er første gang, en dyb-læringsmodel af sin art med succes er blevet brugt i en klinik på rigtige patienter, ifølge forskerne. Med bred implementering, forskerne håber, at modellen kan hjælpe med at give større pålidelighed til vurderinger af brysttæthed i hele landet.

Det anslås, at mere end 40 procent af amerikanske kvinder har tæt brystvæv, som alene øger risikoen for brystkræft. I øvrigt, tæt væv kan maskere kræft på mammografi, gør screening sværere. Som resultat, 30 amerikanske stater giver mandat til, at kvinder skal underrettes, hvis deres mammografi viser, at de har tætte bryster.

Men vurderinger af brysttæthed er afhængige af subjektiv menneskelig vurdering. På grund af mange faktorer, resultater varierer - nogle gange dramatisk - på tværs af radiologer. MIT- og MGH-forskerne trænede en dyb-læringsmodel på titusindvis af digitale mammografier af høj kvalitet for at lære at skelne mellem forskellige typer brystvæv, fra fedt til ekstremt tæt, baseret på ekspertvurderinger. Givet en ny mammografi, modellen kan derefter identificere en tæthedsmåling, der er tæt på linje med ekspertudtalelser.

"Brystdensitet er en uafhængig risikofaktor, der driver den måde, vi kommunikerer med kvinder om deres kræftrisiko. Vores motivation var at skabe et præcist og konsekvent værktøj, som kan deles og bruges på tværs af sundhedssystemer, " siger anden forfatter Adam Yala, en ph.d. studerende i MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL).

De andre medforfattere er førsteforfatter Constance Lehman, professor i radiologi ved Harvard Medical School og direktør for brystbilleddannelse ved MGH; og seniorforfatter Regina Barzilay, Delta Electronics Professor ved CSAIL og Institut for Elektroteknik og Datalogi ved MIT.

Kortlægningstæthed

Modellen er bygget på et konvolutionelt neuralt netværk (CNN), som også bruges til computer vision opgaver. Forskerne trænede og testede deres model på et datasæt på mere end 58, 000 tilfældigt udvalgte mammografier fra mere end 39, 000 kvinder screenet mellem 2009 og 2011. Til træning, de brugte omkring 41, 000 mammografi og, til test, omkring 8, 600 mammografi.

Hvert mammografi i datasættet har en standard BI-RADS-vurdering af brysttæthed (Breast Imaging Reporting and Data System) i fire kategorier:fedt, spredt (spredt tæthed), heterogen (for det meste tæt), og tæt. I både træning og test af mammografi, omkring 40 procent blev vurderet som heterogene og tætte.

Under uddannelsesprocessen, modellen får tilfældige mammografier til analyse. Den lærer at kortlægge mammografi med ekspertradiologens tæthedsvurderinger. Tætte bryster, for eksempel, indeholder kirtel- og fibrøst bindevæv, som fremstår som kompakte netværk af tykke hvide linjer og solide hvide pletter. Fedtvævsnetværk virker meget tyndere, med gråzone overalt. Ved test, modellen observerer nye mammografier og forudsiger den mest sandsynlige tæthedskategori.

Matchende vurderinger

Modellen blev implementeret på brystbilleddiagnostisk afdeling på MGH. I en traditionel arbejdsgang, når der tages en mammografi, det sendes til en arbejdsstation, som en radiolog kan vurdere. Forskernes model er installeret i en separat maskine, der opsnapper scanningerne, før den når radiologen, og tildeler hvert mammografi en tæthedsvurdering. Når radiologer foretager en scanning på deres arbejdsstationer, de vil se modellens tildelte bedømmelse, som de så accepterer eller afviser.

"Det tager mindre end et sekund pr. billede ... [og det kan] nemt og billigt skaleres på tværs af hospitaler." siger Yala.

På over 10, 000 mammografi ved MGH fra januar til maj i år, modellen opnåede 94 procent enighed blandt hospitalets radiologer i en binær test – som afgjorde, om brysterne enten var heterogene og tætte, eller fedtet og spredt. På tværs af alle fire BI-RADS kategorier, det matchede radiologernes vurderinger på 90 procent. "MGH er et førsteklasses brystbilleddiagnostisk center med høj inter-radiolog aftale, og dette datasæt af høj kvalitet satte os i stand til at udvikle en stærk model, " siger Yala.

Ved generel test med det originale datasæt, modellen matchede de originale menneskelige ekspertfortolkninger med 77 procent på tværs af fire BI-RADS-kategorier og, i binære test, matchede fortolkningerne med 87 pct.

I sammenligning med traditionelle forudsigelsesmodeller, forskerne brugte en metrik kaldet en kappa-score, hvor 1 angiver, at forudsigelser stemmer overens hver gang, og alt lavere indikerer færre tilfælde af aftaler. Kappa-score for kommercielt tilgængelige automatiske tæthedsvurderingsmodeller scorer maksimalt omkring 0,6. I den kliniske anvendelse, forskernes model scorede 0,85 kappa-score og, i test, scorede 0,67. Det betyder, at modellen giver bedre forudsigelser end traditionelle modeller.

I et yderligere eksperiment, forskerne testede modellens overensstemmelse med konsensus fra fem MGH-radiologer fra 500 tilfældige testmammografier. Radiologerne tildelte mammografierne brysttæthed uden kendskab til den oprindelige vurdering, eller deres kammeraters eller modellens vurderinger. I dette eksperiment, modellen opnåede en kappa-score på 0,78 med radiologens konsensus.

Næste, forskerne sigter mod at skalere modellen til andre hospitaler. "Bygger på denne oversættelsesoplevelse, vi vil undersøge, hvordan man kan omdanne maskinlæringsalgoritmer udviklet på MIT til klinikker til gavn for millioner af patienter, " siger Barzilay. "Dette er et charter for det nye center på MIT - Abdul Latif Jameel Clinic for Machine Learning in Health på MIT - der for nylig blev lanceret. Og vi er begejstrede for nye muligheder, som dette center åbner."