В новом исследовании ученые используют машинное обучение как метод диагностики рака молочной железы. Результаты исследования опубликованы в научном журнале Computer Methods in Applied Mechanics and Engineering.
Актуальность проблемы
Рак молочной железы является основной причиной смерти от онкологии среди женщин. Его трудно диагностировать. Почти каждый десятый случай рака ошибочно диагностируется как незлокачественный, что означает, что пациент может потерять критическое время лечения. С другой стороны, чем больше проведено маммограмм, тем более вероятней, что выйдет ложноположительный результат.
После 10 лет ежегодной маммографии примерно двум из трех пациентов, у которых нет рака, придется проводить биопсию. Ультразвуковая эластография молочной железы является новым методом визуализации, который предоставляет информацию о потенциальном поражении молочной железы путем оценки ее плотности неинвазивным способом. Используя более точную информацию о характеристиках раковых и незлокачественных поражений молочной железы, этот метод диагностики демонстрирует большую точность по сравнению с традиционными способами визуализации. В основе этой процедуры, однако, лежит сложная вычислительная проблема, которая может быть трудоемкой и громоздкой для решения. Но что, если вместо этого мы полагаемся на руководство алгоритма?
Материалы и методы обследования
Ученые использовали около 12 000 синтетических изображений для применения алгоритма машинного обучения. Этот процесс во многом похож на то, как работает программное обеспечение для фотоидентификации, с помощью повторяющихся входных данных, которые распознают конкретного человека на изображении, подобно тому, как наш мозг учится отличать кошку от собаки. С помощью достаточного количества примеров алгоритм может выявить различные признаки, присущие доброкачественной опухоли, по сравнению со злокачественной опухолью, и сделать правильное определение.
Результаты научной работы
Автор исследования Ассад Оберай (Assad Oberai), научный сотрудник Университета Южной Калифорнии (University of Southern California), утверждает, что можно интерпретировать реальные изображения с использованием синтетических данных и упростить этапы диагностики с помощью машинного обучения.
В случае ультразвуковой эластографии молочной железы, после получения изображения пораженного участка изображение анализируется для определения смещений внутри ткани. Используя эти данные и физические законы механики, определяется пространственное распределение механических свойств, таких как жесткость. После этого необходимо количественно определить соответствующие признаки распределения, что в конечном итоге приведет к классификации опухоли как злокачественной или доброкачественной. Проблема заключается в том, что последние 2 этапа сложны в вычислительном отношении. В ходе исследования Оберай пытался определить, могут ли они полностью пропустить самые сложные этапы этого рабочего процесса. Раковая ткань молочной железы имеет 2 ключевых свойства: неоднородность, что означает, что некоторые области являются мягкими, а некоторые — жесткими, и нелинейную эластичность, что означает, что волокна обеспечивают большую сопротивляемость при натяжении, вместо первоначальной отдачи, связанной с доброкачественными опухолями. Зная это, Оберай создал физические модели, которые показали различные уровни этих ключевых свойств. Затем он использовал тысячи входных данных, полученных из этих моделей, чтобы использовать алгоритм машинного обучения.
Адаптация алгоритма для других видов рака
Поскольку рак вызывает различные типы изменений в ткани, на которую он воздействует, присутствие рака в ткани может в конечном итоге привести к изменению ее физических свойств, например, изменению плотности или пористости. Эти изменения могут быть обнаружены в качестве сигнала на медицинских изображениях. Роль алгоритма машинного обучения состоит в том, чтобы выбрать этот сигнал и использовать его, чтобы определить, является ли данная ткань, которая визуализируется, злокачественной.
Авторы другого исследования утверждают, что женщины «совы» входят в группу риска развития рака молочной железы.
Ведущий специалист отдела организации клинических исследований, терапевт, врач ультразвуковой диагностики АО «СЗМЦ» (г. Санкт-Петербург), главный редактор, учредитель сетевого издания Medical Insider, а также автор статей
E-mail для связи – [email protected];
