Исследователи из Университета Восточной Финляндии разработали новый алгоритм на основе искусственного интеллекта MV-DEFEAT, позволяющий улучшить оценку плотности маммограммы. Эта разработка обещает изменить радиологическую практику, обеспечивая более точную диагностику. Исследование опубликовано в IEEE Access.
Высокая плотность ткани молочной железы связана с повышенным риском рака молочной железы, а плотность ткани молочной железы можно оценить с помощью маммографии. Точная оценка маммографии имеет решающее значение для эффективного скрининга рака молочной железы, однако такие проблемы, как вариабельность рентгенологических оценок и глобальная нехватка рентгенологов, усложняют эти усилия.
Алгоритм MV-DEFEAT направлен на решение этих проблем путем включения методов глубокого обучения, которые одновременно оценивают несколько изображений маммограммы для оценки плотности маммограммы, что отражает процесс принятия решений рентгенологами.
Исследовательская группа, занимающаяся искусственным интеллектом в исследованиях рака, состоит из доктора-исследователя Гудхе Раджу (Raju Gudhe), профессора Арто Маннермаа (Arto Mannermaa) и старшего научного сотрудника Хамида Бехравана (Hamid Behravan).
В настоящем исследовании они использовали инновационный многоракурсный подход глубокого слияния доказательств. Их метод использует элементы доказательной теории Демпстера-Шафера и субъективную логику для оценки изображений маммограммы с нескольких точек зрения, обеспечивая тем самым более полный анализ.
MV-DEFEAT продемонстрировал значительные улучшения по сравнению с существующими подходами. Он демонстрирует значительное улучшение точности скрининга маммограммы за счет автоматического и надежного количественного определения плотности и распределения плотной ткани молочной железы на маммограммах.
Например, в общедоступном наборе данных VinDr-Mammo, который состоит из более чем 10 000 маммограмм, алгоритм достиг впечатляющего улучшения на 50,78% в различении доброкачественных и злокачественных опухолей по сравнению с существующим многопроекционным подходом.
Интересно, что эффективность алгоритма сохранялась в различных наборах данных, что отражает его надежную работу при адаптации к различным демографическим группам пациентов.
В исследовании использовались обширные данные из четырех наборов данных с открытым исходным кодом, что повысило применимость и точность алгоритма в различных группах населения. Такие возможности подчеркивают важность подходов на основе искусственного интеллекта в медицинской диагностике.
Кроме того, хотя MV-DEFEAT существенно помогает в скрининге рака молочной железы, команда Университета Восточной Финляндии подчеркивает необходимость дальнейшего совершенствования и проверки алгоритма, чтобы гарантировать его надежность и эффективность в клинических условиях.
Эти многообещающие результаты открывают путь к использованию ИИ для улучшения диагностических процессов, что потенциально приведет к более раннему выявлению и улучшению результатов лечения рака молочной железы у пациентов.
«Чтобы полностью внедрить искусственный интеллект, такой как MV-DEFEAT, в клиническую практику, необходимо, чтобы медицинские работники ему доверяли. Для этого мы должны тщательно протестировать и проверить систему. Наши следующие шаги включают проведение дополнительных проверочных исследований, чтобы сделать MV-DEFEAT надёжным инструментом для диагностики и лечения рака молочной железы в Финляндии», — рассказывает исследователь Радю Гудхе из Университета Восточной Финляндии.
Литература:
Naga Raju Gudhe et al, A Multi-View Deep Evidential Learning Approach for Mammogram Density Classification, IEEE Access (2024). DOI: 10.1109/ACCESS.2024.3399204
Руководитель Отдела организации клинических исследований, врач-онколог, уролог в АО «СЗЦДМ» (г. Санкт-Петербург), редактор и автор статей
