Улучшение диагностики рака молочной железы с помощью МРТ с помощью ИИ

Рак груди остается значительной угрозой, особенно среди женщин с высоким риском, которым помогают дополнительные методы скрининга, такие как магнитно-резонансная томография (МРТ). Однако даже при использовании передовых методов визуализации некоторые злокачественные новообразования не обнаруживаются, пока они не прогрессируют. Последние достижения в области искусственного интеллекта (ИИ) открывают новые возможности для выявления ранних признаков рака груди с помощью МРТ, потенциально позволяя диагностировать их за год до того, как рентгенологи традиционно их обнаруживают. Внедрение ИИ, особенно методов глубокого обучения, может стать преобразующим в медицинской визуализации, повышая точность и предоставляя рентгенологам ценную информацию для улучшения обнаружения в группах высокого риска.

Раннее обнаружение с использованием ИИ: модель и методология

Исследование оценивало сверточную нейронную сеть (CNN), обученную на обширных наборах данных МРТ молочной железы и уточненную с помощью ретроспективного набора данных 910 женщин с высоким риском, включающего более 3000 сканирований. Модель направлена ​​на выявление как прямых показателей рака, таких как локализованные поражения, так и более широких признаков, таких как фоновое паренхиматозное усиление, потенциальный предиктор риска рака молочной железы. Используя перекрестную проверку, модель предоставила оценку вероятности рака при будущих скринингах.

Ключевой проблемой скрининга рака является низкая распространенность обнаруживаемых злокачественных новообразований в группах высокого риска. Чтобы решить эту проблему, модель была настроена на высокую чувствительность, при этом управляя ложноположительными результатами с помощью функций фокальной потери. Она назначала вероятности риска каждому срезу 2D МРТ, помогая рентгенологам выявлять случаи для более тщательного изучения. Многообещающие результаты модели могут позволить более раннее обнаружение рака, потенциально выявляя рак вплоть до года до клинической диагностики у лиц с высоким риском.

Оценка показателей эффективности: чувствительность, специфичность и точность

Для оценки клинической жизнеспособности модели ИИ ключевыми контрольными показателями были чувствительность, специфичность и площадь под кривой ROC (AUC), которая оказалась равной 0,72, что указывает на достойную точность прогнозирования злокачественных новообразований. В частности, модель достигла уровня чувствительности 30% для раковых заболеваний, пропущенных во время первоначальных обзоров рентгенологов, эффективно отмечая случаи, которые традиционные скрининги могли бы упустить. Это подтверждает включение ИИ в качестве полезного инструмента в скрининг, позволяя проводить целевые обзоры случаев высокого риска.

Возможности локализации модели были значительными, направляя рентгенологов к определенным областям МРТ, где были вероятны аномальные новообразования, которые были подтверждены в более чем половине отмеченных случаев. Эта функция реорганизует процесс обзора, фокусируясь на областях с более высоким риском, что особенно полезно для неявных признаков рака. Отдавая приоритет случаям с высоким риском, модель повышает как чувствительность, так и эффективность скрининга рака молочной железы, выступая в качестве ценного ресурса в условиях высокого спроса на медицинские услуги.

Практические соображения: баланс между чувствительностью и клинической эффективностью

Обнаружение с помощью ИИ улучшает раннюю идентификацию рака, но практическая клиническая интеграция имеет решающее значение. Исследование подчеркнуло важность баланса высокой чувствительности с управляемым уровнем отзыва пациентов. Модель показала высокий уровень ложных обнаружений (FDR) около 96% при пороге чувствительности 30%, что приводит к потенциально ненужным последующим наблюдениям. Предлагаемое решение представляет собой 10% уровень повторной оценки на основе прогнозов риска ИИ, что позволяет рентгенологам сосредоточиться на верхних 10% отмеченных случаев. Эта стратегия соответствует клиническим возможностям, достигая положительной прогностической ценности (PPV) около 6%. Концентрируясь на самых срочных случаях, подход улучшает раннее обнаружение, одновременно снижая рабочую нагрузку и сохраняя эффективность в условиях скрининга большого объема.

Интеграция ИИ в скрининг рака молочной железы на основе МРТ значительно улучшает раннее выявление, особенно у женщин с высоким риском. Модель ИИ улучшает чувствительность и локализацию, помогая рентгенологам выявлять злокачественные новообразования раньше и точнее. Хотя ее высокий уровень ложных обнаружений требует тщательного выбора порогового значения, предлагаемый 10% уровень повторной оценки предлагает клинически осуществимый баланс. Этот подход помогает рентгенологам обнаруживать тонкие индикаторы рака, которые могут быть пропущены при стандартных скринингах, что облегчает раннее вмешательство, имеющее решающее значение для улучшения результатов лечения пациентов. По мере расширения наборов данных визуализации и развития технологии ИИ его роль в программах скрининга, вероятно, будет расти, снабжая рентгенологов инструментами для улучшения диагностики и повышения показателей выживаемости при раке молочной железы.

ИИ в скрининге рака груди с помощью МРТ является преобразующим, предлагая проактивный подход к раннему выявлению и поддерживая рентгенологов с помощью аналитических данных для повышения точности. Это достижение означает переход к более эффективным стратегиям выявления рака.

Источник: Academic Radiology