IA Revolucionária: Análise de Mamografia em 1 Segundo Detecta Risco de Câncer de Mama Via Densidade Tecidual

• Novo modelo de deep learning analisa tecidos mamários em mamografias e estima classificações de densidade com precisão.
• 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 escalado por hospitais.

Nos Estados Unidos, as taxas de mortalidade por câncer de mama são significativamente mais altas que qualquer outro tipo de câncer, exceto câncer de pulmão (em mulheres). Segundo breastcancer.org, cerca de 12,4% das mulheres nos EUA desenvolvem câncer de mama invasivo ao longo da vida.

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

Agora, pesquisadores do Massachusetts General Hospital (MGH) e MIT criaram uma ferramenta automatizada que analisa com precisão tecido mamário denso em mamografias. É um modelo de deep learning 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, a ferramenta pode detectar uma medição de densidade tão confiável quanto radiologistas especialistas. Segundo os autores, esta é a primeira IA do tipo que foi demonstrada com sucesso em pacientes no hospital. Acreditam que esta tecnologia pode ser amplamente implementada em todo o país e trará maior confiabilidade às avaliações de tecido mamário.

Treinamento

A ferramenta baseia-se em uma rede neural convolucional composta por neurônios com pesos e vieses aprendíveis. Treinaram e testaram a rede em um rico conjunto de dados contendo mais de 58.000 imagens mamográficas aleatoriamente retiradas de 39.000 mulheres rastreadas de 2009 a 2011. Cerca de 41.000 dessas imagens foram usadas para treinamento, e 8.600 para teste.

Cada imagem demográfica contém uma classificação de densidade BI-RADS (Breast Imaging Reporting and Data System) padrão em 4 grupos:

1. Heterogêneo (maiormente denso)
2. Densidade Espalhada
3. Denso
4. Gorduroso

Nas fases de treinamento e teste, quase 40% foram classificados como denso e heterogêneo. Durante a fase de treinamento, a rede é alimentada com imagens mamográficas aleatórias para avaliação. Gradualmente aprende a mapear mamografias de forma que se alinhem estreitamente com as classificações de densidade dos especialistas.

Por exemplo, redes de tecido mamário gorduroso parecem mais finas com área acinzentada por toda parte, enquanto mamas densas consistem em tecido conjuntivo fibroso e glandular que aparecem como 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. Tipicamente, uma mamografia é gerada e enviada a uma instalação para avaliação, realizada por um radiologista especialista. Após todas as investigações necessárias, ele/ela atribui uma classificação de densidade a cada mamografia.

Quando especialistas abrem um exame em sua instalação, verão as classificações atribuídas por esta ferramenta de deep learning, que podem rejeitar ou aceitar.

Resultados

A rede leva menos de um segundo para processar uma mamografia e pode ser escalada por hospitais na cidade, sem gastar muito dinheiro e mão de obra extensiva.

Avaliação do radiologista vs deep learning (DL) para teste binário | Cortesia dos pesquisadores

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

Avaliação do radiologista vs deep learning (DL) para 4 grupos BI-RADS | Cortesia dos pesquisadores

Em testes gerais (baseados no conjunto de dados de treinamento), a rede correspondeu às interpretações dos radiologistas 87% das vezes em testes binários, e 77% nos 4 grupos BI-RADS.

Leia também: IA Pode Detectar Doenças no Hálito Humano | Incluindo Diferentes Cânceres

Técnicas convencionais de predição usam uma métrica chamada kappa score, onde 1 representa que estimativas concordam sempre e valor menor representa menos casos de concordância. Para métodos existentes, escores Kappa chegam a 0,6, enquanto para o novo modelo, chega a 0,85 em aplicação clínica e 0,76 em testes gerais. Isso indica claramente que a nova ferramenta faz estimativas melhores que técnicas convencionais.