AI zastosowana do wykrywania raka piesi okazała się dokładniejsza od dotychczasowym metod. O 5,7 proc. zmniejszyła liczbę wyników fałszywie dodatnich i o 9,4 proc. fałszywie ujemnych w USA. W Wielkiej Brytanii było to odpowiednio: 1,2 oraz 2,7 proc. Może to niewiele z punktu widzenia pacjentek, ale za to milowy krok w kierunku nowoczesnej diagnostyki.
Jak dotąd cyfrowa mammografia, czyli rentgenografia piersi, jest najczęstszą metodą badań przesiewowych w kierunku wykrywania raka piersi. W USA i Wielkiej Brytanii przeprowadza się ich rocznie ponad 42 mln. Prawidłowe odczytanie wyników jest nadal dużym wyzwaniem, ponieważ rak często jest ukryty lub maskowany przez nakładanie się obrazu gęstej tkanki piersi. Jeśli wynik jest fałszywie negatywny, pacjentka nabiera przekonania, że jest zdrowa, a tym samym umyka jej czas, tak ważny dla terapii. W przypadku diagnozy fałszywie pozytywnej, badana narażona zostaje na ogromny stres.
– We współpracy z DeepMind, Cancer Research UK Imperial Centre, Northwestern University i Royal Surrey County Hospital, postanowiliśmy sprawdzić, czy sztuczna inteligencja mogłaby wspierać radiologów w dokładniejszym wykrywaniu objawów raka piersi. Dzisiaj dzielimy się naszymi wstępnymi odkryciami, które zostały opublikowane w Nature – mówią przedstawiciele Google Health: Shravya Shetty, kierownik techniczny i dr Daniel Tse, menedżer produktu. – Nasz model AI wykrył raka piersi w mammogramach przesiewowych (z których usunięto identyfikowalne informacje) z większą dokładnością niż eksperci, mniej fałszywych wyników pozytywnych i mniej fałszywych wyników negatywnych. To przygotowuje grunt pod przyszłe zastosowania, w których model mógłby potencjalnie wspierać radiologów wykonujących badania przesiewowe w kierunku raka piersi.
To nie pierwsze doświadczenia zespołu kierowanego przez Scotta Mayera McKinneya. W 2017 r. opublikowane zostały wczesne wyniki prezentujące model do wykrywania przerzutowego raka piersi z próbek węzłów chłonnych. W ubiegłym roku naukowcy stworzyli algorytm głębokiego uczenia się, który może pomóc lekarzom w szybszym i dokładniejszym wykrywaniu raka piersi. Teraz prezentują jego działanie.
Czego nauczyła się sztuczna inteligencja?
AI może poprawić dokładność badań przesiewowych w kierunku raka piersi, jednak droga do pełnego sukcesu jest jeszcze długa. Przyznaje to Scott Mayer McKinney w opublikowanym 1 stycznia w Nature badaniu „Międzynarodowa ocena systemu AI do badań przesiewowych w kierunku raka piersi”.
Do mocnych stron pracy zespołu McKinneya należy duża liczba zestawów danych wykorzystywanych do uczenia sztucznej inteligencji. Pozyskano je z mammogramów 25 856 kobiet z Wielkiej Brytanii i 3 097 ze Stanów Zjednoczonych. Zastosowano system do identyfikacji obecności raka piersi w mammogramach kobiet, u których nowotwór potwierdzono biopsją. Włączono też wyniki badań obrazowych powtórzone po co najmniej 365 dniach. Dokładność diagnozy AI przewyższała zarówno historyczne decyzje podjęte przez radiologów, którzy początkowo oceniali mammogramy, jak i opinie sześciu ekspertów radiologów interpretujących 500 losowo wybranych przypadków w kontrolowanym badaniu.
Autorzy projektu zaznaczają jednak, że to dopiero początek drogi: „Konieczne będą badania kliniczne w celu dalszej oceny przydatności tego narzędzia w praktyce medycznej. Świat rzeczywisty jest bardziej skomplikowany i potencjalnie bardziej zróżnicowany niż rodzaj kontrolowanego środowiska badawczego, opisanego w tym badaniu”. W idealnych warunkach, dane którymi nakarmiono sztuczną inteligencję powinny być bezwzględnie prawidłowe, prowadzone na zróżnicowanej populacji, pochodzące z aparatury wszystkich producentów i obejmowały cały dostępny zestaw metodologii. W takim przypadku można mówić o dokładności znacznie przewyższającej oko eksperta a na to jeszcze za wcześnie.
Czego nie nauczyło się AI?
Badanie McKinneya jest pierwszym treningiem. Nie obejmowało wszystkich obecnie stosowanych technologii mammograficznych, a większość obrazów uzyskano przy użyciu systemu pochodzącego od jednego producenta. Bazowano na dwóch rodzajach mammografii: tomosyntezy (znanej również jako mammografia 3D) i konwencjonalnej mammografii cyfrowej (2D). Nie wiadomo zatem, jak system działałby osobno dla każdej technologii.
Badana populacja, poza wiekiem kobiet, w zasadzie nie została zdefiniowana – a może to mieć istotne znaczenie. Dlatego w dalszych krokach, naukowcy chcą oprzeć się na bardziej reprezentatywnej grupie, tak by wyniki analiz AI mogły znaleźć zastosowanie w szerszej populacji.
Kolejnym słabym punktem jest czynnik ludzki. Zachodzi ryzyko, że sztuczna inteligencja nauczy się błędów w diagnozie i będzie je powielała. Paradoksalnie może to być czynnik ostatecznie sprzyjający poprawie oceny dokonywanej przez AI. Niektóre obszary znalezione na mammogramach mogą zostać zidentyfikowane jako nieprawidłowe, ale przy dalszych testach okazują się fałszywym alarmem. W przypadku większości kobiet badania przesiewowe nie wykazują żadnych nieprawidłowości, a gdy rok później wciąż nie ma dowodów na istnienie raka, klasyfikuje się je jako prawdziwie negatywne. Dlatego badania przesiewowe pod kątem raka piersi są idealnym obszarem do edukacji AI, ponieważ dostępne są już duże, starannie dobrane zestawy danych odpowiednie do szkolenia i testowania algorytmów.Jak piszą autorzy publikacji w Nature: „Większość innych obszarów medycznych ma bardziej skomplikowane dane kliniczne, gdzie decyzja klinicysty nie jest binarna (pomiędzy obecnością lub brakiem raka), dlatego też należy wziąć pod uwagę dalsze objawy. Ponadto w większości chorób brakuje łatwo dostępnych, zweryfikowanych zestawów danych dla bardziej złożonych problemów klinicznych. Będzie to wymagało większego wysiłku i opracowania narzędzi, które mogą przeglądać elektroniczne zapisy stanu zdrowia w celu identyfikacji i opisywania przypadków reprezentujących określone diagnozy”.
źródło: Nature, Google Health
© mZdrowie.pl
