Billedbehandlingsresultater, sundhedsdata kombineres i AI-model for at forudsige brystkræft

Kvinder kender øvelsen:Brystkræft er for almindeligt en kræftdiagnose til at blive ignoreret, da tidlig opdagelse kunne gøre en forskel. Selvom falske positiver kan forårsage en enorm mængde unødig stress, falske negativer har indflydelse på, hvor tidligt en kræftsygdom opdages og efterfølgende behandles.

Tidligere opdagelse kan give personen flere muligheder for vellykket intervention og terapier med hendes tilstand stadig på det tidlige stadie.

Et team hos IBM Research har henvendt sig til kunstig intelligens for at se, om de kunne komme med en løsning, der opnår et imponerende niveau af nøjagtig påvisning af brystkræft, og deres resultater er opmuntrende.

I et IBM Research Blog-indlæg, IBM Researchs Michal Chorev beskrev holdets mål, indsats og resultater.

Han sagde, at "som den første algoritme af sin art til at lære og træffe beslutninger fra både billeddata og en omfattende patients helbredshistorie, vores model var i stand til korrekt at forudsige udviklingen af ​​brystkræft i 87 procent af de tilfælde, den analyserede, og var også i stand til at fortolke 77 procent af ikke-kræfttilfælde korrekt."

Tilføjelsen af ​​kliniske data til mammografierne øgede modellens AUROC og følsomhed markant.

"Når det er baseret på kliniske data alene, vores model opnåede en AUROC på 0,78, forbedring af risikoforudsigelse for brystkræft sammenlignet med almindelige risikomodeller som Gail-modellen. I øvrigt, vi var i stand til at identificere kliniske faktorer, der muligvis kan bidrage til forhøjet risiko, og som ikke tidligere blev brugt af andre modeller, såsom hvide blodlegemer og test af skjoldbruskkirtelfunktion."

Først og fremmest, teamet hos IBM Research–Haifa antog, at en model, der kombinerer maskinlæring og dyb læring, kunne anvendes til at vurdere brystkræft på et niveau, der både kan sammenlignes med radiologer og med evnerne til at blive accepteret i klinisk praksis som en anden læser.

Som det viste sig, det ser ud som om, at forudsigelse af brystkræft med AI med noget nær nøjagtighed på radiologniveau ikke blot var en fantasiflugt.

Disse IBM-forskeres arbejde vises i Radiologi og den diskuterer AI-modellen, der kan forudsige udviklingen af ​​ondartet brystkræft hos patienter inden for året med gunstige nøjagtighedsrater. "Mere præcis forudsigelse kunne rumme potentialet til at reducere antallet af kvinder, der sendes til unødvendige tests - eller oplever traumet ved at blive unødvendigt tildelt som højrisiko - af traditionelle modeller."

Dette ville ikke være første gang, forskning vendte sig mod AI til sådanne formål. Forskere havde allerede bygget forudsigelsesmodeller baseret på kunstig intelligens, sagde Adnan Farooqui ind Ubergizmo .

Fingas skelnede til, hvad der er nyt ved dette værk. Selvom der allerede var AI-forudsigelsesmetoder, enten stolede de på mammografibilleder, eller også fokuserede de på lægejournaler. "IBM skiller sig ud ved at bruge begge dele."

Chorev bloggede, at dette var "den første algoritme af sin art til at lære og træffe beslutninger ud fra både billeddata og en omfattende patients helbredshistorie."

Hvor omfattende? Svaret ligger i, hvordan IBM trænede sin AI, med anonymiserede mammografibilleder knyttet til biomarkører (såsom reproduktionshistorie) og kliniske data, sagde Fingas. Ifølge IBM Research-bloggen, de trænede algoritmen den 9. 611 mammografi og helbredsjournaler af kvinder, med to formål:(1) at forudsige biopsi-malignitet og (2) at skelne normale fra unormale screeningsundersøgelser.

"Gennem IBM-forskningspartnerne Maccabi Health Services og Assuta Medical Center, to store sundhedsudbydere i Israel, vores team var i stand til at skaffe et stort sæt af-identificerede, frivilligt indsamlede mammografibilleder, der også var knyttet til rig og detaljeret registrering af den tilsvarende persons kliniske data - såsom en historie med kræftdiagnoser, graviditetshistorie og overgangsalderens status."

Hvad mere er, der var træk, som man ikke ville opdage i billedsprog alene, f.eks., jernmangel og skjoldbruskkirtelfunktion. Samlet set, skrev Chorev, det hele handler om en "forbløffende mængde data", der giver "en dyb pulje af information, som vores maskinlæringsmodeller kunne lære af."

Mængden af ​​data gjorde det muligt for algoritmerne "at forbinde mønstre og tendenser, som måske ellers ikke havde været mulige." Data involverede biopsier, laboratorieprøver, kræftregistre og koder fra andre diagnoser og procedurer.

Holdet ser denne AI-model ikke som en erstatning for radiologer, men som et andet sæt øjne. Ud over menneskelige vurderinger, "nøjagtigheden er god nok til at den kan tjene som et andet sæt øjne, ' ifølge IBM."

Det kunne verificere en radiologs prognose og reducere chancerne for, at patienter bliver sendt til unødvendige opfølgningsundersøgelser.

At analysere mammografi er en udfordrende opgave. Forskellene mellem læsioner og baggrund kan være subtile:der er flere typer af mulige fund i form, størrelse, farve, tekstur og andre faktorer.

Radiologi virksomhed :Selvom holdets model ikke nødvendigvis overgik radiologer, dets præstation faldt i "det acceptable udvalg af radiologer til brystkræftscreening."

For yderligere læsning, deres papir "Predicting Breast Cancer by Applying Deep Learning to Linked Health Records and Mammograms" vises i Radiologi .

© 2019 Science X Network