"Χρησιμοποιώντας το μοντέλο μας, ο κίνδυνος μπορεί να εκτιμηθεί με τις ίδιες επιδόσεις με τα κλινικά μοντέλα κινδύνου, αλλά εντός δευτερολέπτων από τον έλεγχο και χωρίς να εισάγεται επιβάρυνση στην κλινική".
Τεχνητή Νοημοσύνη: Ο συνδυασμός συστημάτων τεχνητής νοημοσύνης (AI) για τον βραχυπρόθεσμο και μακροπρόθεσμο κίνδυνο καρκίνου του μαστού οδηγεί σε βελτιωμένη εκτίμηση του κινδύνου καρκίνου, σύμφωνα με μελέτη που δημοσιεύθηκε στο περιοδικό ακτινοβολίας Radiology. Τα περισσότερα προγράμματα προσυμπτωματικού ελέγχου για τον καρκίνο του μαστού υιοθετούν μια προσέγγιση που ταιριάζει σε όλους και ακολουθούν τα ίδια πρωτόκολλα όταν πρόκειται για τον προσδιορισμό του δια βίου κινδύνου μιας γυναίκας να αναπτύξει καρκίνο του μαστού. Η χρήση μοντέλων βαθιάς μάθησης με βάση τη μαστογραφία μπορεί να βελτιώσει την ακρίβεια της εκτίμησης του κινδύνου καρκίνου του μαστού και μπορεί, επίσης, να οδηγήσει σε πρώιμες διαγνώσεις. “Περίπου μία στις 10 γυναίκες αναπτύσσουν καρκίνο του μαστού κατά τη διάρκεια της ζωής τους”, δήλωσε ο συγγραφέας της μελέτης Andreas D. Lauritzen, Ph.D., από το Τμήμα Επιστήμης Υπολογιστών του Πανεπιστημίου της Κοπεγχάγης στη Δανία. “Τα τελευταία χρόνια, η τεχνητή νοημοσύνη έχει μελετηθεί με σκοπό την έγκαιρη διάγνωση του καρκίνου του μαστού με την αυτόματη ανίχνευση καρκίνων του μαστού στις μαστογραφίες και τη μέτρηση του κινδύνου μελλοντικού καρκίνου του μαστού”.
Υπάρχουν διάφορα εργαλεία τεχνητής νοημοσύνης που βοηθούν στην ανίχνευση του κινδύνου καρκίνου. Τα διαγνωστικά μοντέλα ΤΝ εκπαιδεύονται για την ανίχνευση ύποπτων αλλοιώσεων στις μαστογραφίες και είναι κατάλληλα για την εκτίμηση του βραχυπρόθεσμου κινδύνου καρκίνου του μαστού. Πιο κατάλληλα για τον μακροπρόθεσμο κίνδυνο καρκίνου του μαστού είναι τα μοντέλα τεχνητής νοημοσύνης υφής, ικανά να αναγνωρίζουν την πυκνότητα του μαστού. Οι γυναίκες με πυκνό ιστό του μαστού διατρέχουν υψηλότερο κίνδυνο ανάπτυξης καρκίνου του μαστού και μπορεί να επωφεληθούν από συμπληρωματικό έλεγχο με μαγνητική τομογραφία. Οι ψηφιακές μαστογραφίες πλήρους πεδίου (αριστερή μεσοπλευρική λοξή όψη) σε μια γυναίκα 60 ετών με καρκίνο διαστήματος δείχνουν (Α) τη μαστογραφία διαλογής στην περιοχή ενδιαφέροντος και (Β) την ίδια περιοχή ενδιαφέροντος σε μια κλινική μαστογραφία που ελήφθη κατά τη διάρκεια διαγνωστικού ελέγχου ένα χρόνο αργότερα, όπου ο μπλε κύκλος υποδεικνύει τη διαγνωσμένη βλάβη. Η γυναίκα δεν ανακλήθηκε ως αποτέλεσμα του προσυμπτωματικού ελέγχου. Η μαστογραφία προσυμπτωματικού ελέγχου (Α) είχε πολύ υψηλή συνδυασμένη βαθμολογία κινδύνου (υψηλότερο 99%), όπως προσδιορίστηκε από το μοντέλο συνδυασμού με τον κίνδυνο υφής και τη βαθμολογία εξέτασης. Πηγή: Ακτινολογική Εταιρεία της Βόρειας Αμερικής “Είναι σημαντικό να καταστεί δυνατή η αξιόπιστη και στιβαρή αξιολόγηση του κινδύνου καρκίνου του μαστού με τη χρήση πληροφοριών από τη μαστογραφία προσυμπτωματικού ελέγχου”, δήλωσε ο Δρ Lauritzen. Για την παρούσα μελέτη, ο Dr. Lauritzen και η ερευνητική του ομάδα προσπάθησαν να προσδιορίσουν κατά πόσον ένα διαθέσιμο στο εμπόριο διαγνωστικό εργαλείο τεχνητής νοημοσύνης και ένα μοντέλο υφής τεχνητής νοημοσύνης, εκπαιδευμένα ξεχωριστά και στη συνέχεια συνδυασμένα, μπορούν να βελτιώσουν την εκτίμηση του κινδύνου καρκίνου του μαστού. Οι ερευνητές χρησιμοποίησαν το διαγνωστικό εργαλείο τεχνητής νοημοσύνης Transpara και ένα μοντέλο υφής που αναπτύχθηκε από τους ερευνητές. Για την εκπαίδευση των μοντέλων χρησιμοποιήθηκε ένα ολλανδικό σύνολο εκπαίδευσης με περισσότερες από 39.000 εξετάσεις. Τα μοντέλα βραχυπρόθεσμου και μακροπρόθεσμου κινδύνου συνδυάστηκαν χρησιμοποιώντας ένα νευρωνικό δίκτυο τριών επιπέδων. Το συνδυασμένο μοντέλο τεχνητής νοημοσύνης δοκιμάστηκε σε μια ομάδα μελέτης με περισσότερες από 119.000 γυναίκες οι οποίες εντάχθηκαν σε ένα πρόγραμμα προσυμπτωματικού ελέγχου για τον καρκίνο του μαστού στην περιοχή της πρωτεύουσας της Δανίας μεταξύ Νοεμβρίου 2012 και Δεκεμβρίου 2015. Η μέση ηλικία των γυναικών ήταν 59 έτη. Οι ψηφιακές μαστογραφίες πλήρους πεδίου (δεξιά μεσοπλευρική πλάγια όψη) σε μια γυναίκα 59 ετών με μακροχρόνιο καρκίνο δείχνουν (Α) τη μαστογραφία προσυμπτωματικού ελέγχου στην περιοχή ενδιαφέροντος και (Β) την ίδια περιοχή ενδιαφέροντος σε κλινική μαστογραφία που ελήφθη κατά τη διάρκεια διαγνωστικού ελέγχου 3 χρόνια αργότερα, όπου ο μπλε κύκλος υποδεικνύει τη διαγνωσμένη βλάβη. Η γυναίκα δεν ανακλήθηκε ως αποτέλεσμα του προσυμπτωματικού ελέγχου. Η μαστογραφία προσυμπτωματικού ελέγχου (Α) είχε πολύ υψηλή συνδυασμένη βαθμολογία κινδύνου (υψηλότερο 99,9%), όπως προσδιορίστηκε από το μοντέλο συνδυασμού με τον κίνδυνο υφής και τη βαθμολογία εξέτασης. Τα τέσσερα αντικείμενα είναι χειρουργικά κλιπ που έχουν παραμείνει στο μαστό από προηγούμενη χειρουργική επέμβαση διατήρησης του μαστού.
Σε σύγκριση με τα διαγνωστικά μοντέλα και τα μοντέλα υφής από μόνα τους, το συνδυασμένο μοντέλο ΤΝ παρουσίασε συνολικά βελτιωμένη εκτίμηση κινδύνου τόσο για την ανίχνευση καρκίνου στο διάστημα όσο και για τη μακροπρόθεσμη ανίχνευση καρκίνου. Οι διαχρονικοί καρκίνοι είναι εκείνοι που εντοπίζονται μεταξύ των συνήθων εξετάσεων ρουτίνας. Το μοντέλο επέτρεψε, επίσης, τον εντοπισμό γυναικών υψηλού κινδύνου για καρκίνο του μαστού. Οι γυναίκες που αναγνωρίστηκαν από το συνδυασμένο μοντέλο ως έχουσες το 10% του υψηλότερου συνδυασμένου κινδύνου αντιπροσώπευαν το 44,1% των καρκίνων διαστήματος και το 33,7% των μακροχρόνιων καρκίνων. Η χρήση της τεχνητής νοημοσύνης για τον εντοπισμό του κινδύνου καρκίνου του μαστού μιας γυναίκας από μια απλή μαστογραφία όχι μόνο θα έχει ως αποτέλεσμα την έγκαιρη ανίχνευση του καρκίνου, αλλά μπορεί επίσης να βελτιώσει την επιβάρυνση του συστήματος υγειονομικής περίθαλψης λόγω της παγκόσμιας έλλειψης εξειδικευμένων ακτινολόγων μαστού. “Τα τρέχοντα σύγχρονα κλινικά μοντέλα κινδύνου απαιτούν πολλαπλές εξετάσεις, όπως αιματολογικές εξετάσεις, γενετικές εξετάσεις, μαστογραφία και συμπλήρωση εκτενών ερωτηματολογίων, τα οποία θα αύξαναν σημαντικά τον φόρτο εργασίας στην κλινική προληπτικού ελέγχου”, δήλωσε ο Δρ Lauritzen. “Χρησιμοποιώντας το μοντέλο μας, ο κίνδυνος μπορεί να εκτιμηθεί με τις ίδιες επιδόσεις με τα κλινικά μοντέλα κινδύνου, αλλά εντός δευτερολέπτων από τον έλεγχο και χωρίς να εισάγεται επιβάρυνση στην κλινική”.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
