Neue KI erkennt Brustkrebs durch Analyse der mammografischen Gewebedichte

• Das neue Deep-Learning-Modell analysiert das Brustgewebe in Mammogrammen und schätzt die Dichtebewertungen genau.
• Diese Bewertungen sind ein unabhängiger Risikofaktor für Brustkrebs.
• Das Modell benötigt weniger als eine Sekunde, um ein Mammogramm zu verarbeiten, und es könnte problemlos in Krankenhäusern skaliert werden.

In den Vereinigten Staaten sind die Sterberaten bei Brustkrebs signifikant höher als bei allen anderen Krebsarten, abgesehen von Lungenkrebs (bei Frauen). Laut Breastcancer.org entwickeln etwa 12,4 Prozent der Frauen in den USA im Laufe ihres Lebens invasiven Brustkrebs.

Die Mammographie ist eine Methode, bei der Röntgenstrahlen geringer Leistung verwendet werden, um die menschliche Brust für Screening und Diagnose zu analysieren. Dichtes Gewebe kann diesen Prozess jedoch erschweren, indem Krebs auf der Mammographie maskiert wird. Typischerweise hängt die Beurteilung der Brustdichte von der subjektiven Einschätzung des Menschen ab. Die Ergebnisse variieren je nach Radiologe aufgrund mehrerer Faktoren.

Jetzt haben die Forscher des Massachusetts General Hospital (MGH) und des MIT ein automatisiertes Tool entwickelt, das dichtes Brustgewebe in Mammographien genau analysiert. Es ist ein Deep-Learning-Modell, das auf Zehntausenden von hochauflösenden digitalen Mammogrammen trainiert wurde, damit es lernen kann, zwischen verschiedenen Arten von Brustgewebe zu unterscheiden.

Ausgehend von einem neuen Mammographiebild können die Tools eine Dichtemessung erkennen, die so zuverlässig ist wie erfahrene Radiologen. Laut den Autoren ist dies die erste KI dieser Art, die erfolgreich an Patienten im Krankenhaus demonstriert wurde. Sie glauben, dass diese Technologie landesweit breit eingesetzt werden kann und eine höhere Zuverlässigkeit bei der Beurteilung des Brustgewebes bietet.

Schulung

Das Tool basiert auf einem konvolutionellen neuronalen Netzwerk, das aus Neuronen mit lernbaren Gewichtungen und Verzerrungen besteht. Sie trainierten und testeten das Netzwerk mit einem umfangreichen Datensatz mit über 58.000 Mammographiebildern, die zufällig von 39.000 Frauen, die zwischen 2009 und 2011 untersucht wurden, aufgenommen wurden. Ungefähr 41.000 dieser Bilder wurden für das Training und 8.600 für Tests verwendet.

Jedes demografische Bild enthält eine standardmäßige BI-RAIDS-Dichtebewertung (Brustbildgebung und Datensystem) in 4 Gruppen:

1. Heterogen (meist dicht)
2. Streudichte
3. Dicht
4. Fett

In der Trainings- und Testphase wurden knapp 40 % als dicht und heterogen bewertet. Während der Trainingsphase wird das Netzwerk mit zufälligen Mammographiebildern zur Auswertung gefüttert. Es lernt nach und nach, Mammogramme so zu kartieren, dass sie eng mit den Dichtebewertungen von Experten übereinstimmen.

Zum Beispiel erscheinen fettige Brustgewebenetzwerke dünner mit durchgängig grauen Bereichen, während dichte Brüste aus fibrösem und drüsigem Bindegewebe bestehen, das als dicht gepacktes Netzwerk aus soliden weißen Flecken und dicken weißen Linien erscheint. In der Testphase sieht das Netzwerk neue mammografische Bilder und schätzt die wahrscheinlichste Dichtegruppe.

Referenz:RSNA-Radiologie | doi:10.1148/radiol.2018180694 | MIT

Das Tool wurde in der Brustbildgebungsabteilung von MGH implementiert, wo es in einem isolierten Gerät installiert wurde. Typischerweise wird ein Mammogramm erstellt und zur Auswertung an eine Einrichtung gesendet, die von einem erfahrenen Radiologen durchgeführt wird. Nach allen notwendigen Untersuchungen weist er jeder Mammographie eine Dichtebewertung zu.

Wenn Experten in ihrer Einrichtung einen Scan durchführen, sehen sie die von diesem Deep-Learning-Tool zugewiesenen Bewertungen, die sie weiter ablehnen oder akzeptieren können.

Ergebnisse

Das Netzwerk benötigt weniger als eine Sekunde, um eine Mammographie zu verarbeiten, und es könnte in Krankenhäusern der Stadt skaliert werden, ohne viel Geld und viel Personal auszugeben.

Radiologen-Assessment vs. Deep-Learning (DL)-Assessment für Binärtest | Mit freundlicher Genehmigung der Forscher 

Zwischen Januar und Mai (2018) beobachtete das Netzwerk mehr als 10.000 Mammographiebilder und konnte in einem binären Test, bei dem festgestellt werden musste, ob die Brüste entweder dicht und heterogen oder verstreut und fettig waren, eine Zustimmung von 94 % unter Experten erreichen. Für alle 4 BI-RAIDS-Gruppen stimmte es in 90 % der Fälle mit der Expertenmeinung überein.

Radiologen-Assessment vs. Deep-Learning (DL)-Assessment für 4 BI-RAIDS-Gruppen | Mit freundlicher Genehmigung der Forscher 

Bei allgemeinen Tests (basierend auf dem Trainingsdatensatz) stimmte das Netzwerk bei binären Tests in 87% der Fälle und in 77% in 4 BI-RADS-Gruppen mit den Interpretationen der Radiologen überein.

Lesen Sie:KI kann Krankheiten im menschlichen Atem riechen | Einschließlich verschiedener Krebsarten

Die herkömmlichen Vorhersagetechniken verwenden eine Metrik namens Kappa-Score, wobei 1 bedeutet, dass die Schätzungen jedes Mal übereinstimmen und ein niedrigerer Wert weniger Fälle von Übereinstimmungen darstellt. Für bestehende Methoden erreichen Kappa-Scores bis zu 0,6, während sie für das neue Modell 0,85 in der klinischen Anwendung und 0,76 in der allgemeinen Testung erreichen. Dies zeigt deutlich, dass das neue Tool eine bessere Schätzung liefert als herkömmliche Techniken.