Nova IA detecta câncer de mama ao analisar a densidade do tecido mamográfico

• Novo modelo de aprendizado profundo analisa os tecidos mamários em mamografias e estima com precisão as classificações de densidade.
• Essas classificações são um fator de risco independente para câncer de mama.
• O modelo leva menos de um segundo para processar uma mamografia e pode ser facilmente dimensionado em hospitais.

Nos Estados Unidos, as taxas de mortalidade por câncer de mama são significativamente maiores do que qualquer outro tipo de câncer, além do câncer de pulmão (em mulheres). De acordo com o breastcancer.org, cerca de 12,4 por cento das mulheres nos Estados Unidos desenvolvem câncer de mama invasivo ao longo da vida.

A mamografia é um método de utilização de raios-X de baixa potência para analisar a mama humana para rastreamento e diagnóstico. No entanto, o tecido denso pode dificultar esse processo, mascarando os cânceres na mamografia. Normalmente, a avaliação da densidade da mama depende da avaliação humana subjetiva. Os resultados variam entre os radiologistas devido a vários fatores.

Agora, os pesquisadores do Massachusetts General Hospital (MGH) e do MIT construíram uma ferramenta automatizada que analisa com precisão o tecido mamário denso em mamografias. É um modelo de aprendizado profundo treinado em dezenas de milhares de mamografias digitais de alta definição para que possa aprender a diferenciar entre diferentes tipos de tecidos mamários.

Dada uma nova imagem mamográfica, as ferramentas podem detectar uma medição de densidade que é tão confiável quanto radiologistas especialistas. De acordo com os autores, este é o primeiro IA desse tipo que foi demonstrado com sucesso em pacientes hospitalizados. Eles acreditam que essa tecnologia pode ser amplamente implementada em todo o país e trará maior confiabilidade às avaliações do tecido mamário.

Treinamento

A ferramenta é baseada em uma rede neural convolucional composta de neurônios com pesos e vieses aprendíveis. Eles treinaram e testaram a rede em um rico conjunto de dados contendo mais de 58.000 imagens mamográficas tiradas aleatoriamente de 39.000 mulheres rastreadas de 2009 a 2011. Cerca de 41.000 dessas imagens foram usadas para treinamento e 8.600 para testes.

Cada imagem demográfica contém uma classificação de densidade padrão de BI-RAIDS (sistema de relatórios e dados de imagem da mama) em 4 grupos:

1. Heterogêneo (principalmente denso)
2. densidade dispersa
3. Denso
4. gorduroso

Na fase de treinamento e teste, quase 40% foram classificados como densos e heterogêneos. Ao longo da fase de treinamento, a rede é alimentada com fotos mamográficas aleatórias para avaliação. Gradualmente, aprende a mapear mamografias de forma que se alinhem estreitamente com as classificações de densidade dos especialistas.

Por exemplo, as redes de tecido mamário gorduroso parecem mais finas com área cinza por toda parte, enquanto as mamas densas consistem em tecido conjuntivo fibroso e glandular que aparece como uma rede compacta de manchas brancas sólidas e linhas brancas grossas. Na fase de teste, a rede vê novas imagens mamográficas e estima o grupo de densidade mais provável.

Referência:RSNA Radiology | doi:10.1148 / radiol.2018180694 | MIT

A ferramenta foi implementada no departamento de imagem mamária do MGH, onde foi instalada em uma máquina isolada. Normalmente, uma mamografia é gerada e enviada a um serviço para avaliação, que é realizada por um radiologista especialista. Após todas as investigações necessárias, ele atribui uma classificação de densidade a cada mamografia.

Quando os especialistas fizerem uma varredura em suas instalações, eles verão as classificações atribuídas por essa ferramenta de aprendizado profundo, que podem rejeitar ou aceitar posteriormente.

Resultados

A rede leva menos de um segundo para processar uma mamografia e pode ser dimensionada para todos os hospitais da cidade, sem gastar muito dinheiro e sem muita mão de obra.

Avaliação do radiologista vs avaliação do aprendizado profundo (DL) para teste binário | Cortesia de pesquisadores

Entre janeiro e maio (2018), a rede observou mais de 10.000 fotos mamográficas e conseguiu chegar a 94% de concordância entre os especialistas em um teste binário, onde eles tiveram que determinar se as mamas eram densas e heterogêneas ou espalhadas e gordurosas. Para todos os 4 grupos do BI-RAIDS, ele se alinhou com a opinião de especialistas em 90% das vezes.

Avaliação radiologista vs avaliação de aprendizagem profunda (DL) para 4 grupos BI-RAIDS | Cortesia de pesquisadores

Em testes gerais (com base no conjunto de dados de treinamento), a rede correspondeu às interpretações dos radiologistas 87% do tempo em testes binários e 77% em 4 grupos BI-RADS.

Leia:A IA pode cheirar doenças na respiração humana | Incluindo diferentes tipos de câncer

As técnicas convencionais de previsão usam uma métrica chamada pontuação kappa, onde 1 representa que as estimativas concordam todas as vezes e o valor inferior representa menos casos de concordância. Para os métodos existentes, os escores Kappa chegam a 0,6, enquanto para o novo modelo, chega a 0,85 na aplicação clínica e 0,76 nos testes gerais. Isso indica claramente que a nova ferramenta faz uma estimativa melhor do que as técnicas convencionais.