Η μηχανική μάθηση με τεχνητή νοημοσύνη (AI) μεταμορφώνει με ταχείς ρυθμούς τον τρόπο με τον οποίο οι γιατροί, οι κλινικοί γιατροί, οι παθολόγοι και οι υπόλοιποι επαγγελματίες υγείας διαγιγνώσκουν τις παθήσεις των ασθενών. Μια πρόσφατη έρευνα του NYU Langone Health που δημοσιεύθηκε στο Nature Communications, δείχνει πώς η τεχνητή νοημοσύνη που εφαρμόζεται σε υπερηχογράφημα μπορεί να εντοπίσει τον καρκίνο του μαστού με ακρίβεια επιπέδου ακτινολόγου, να μειώσει τις ζητούμενες βιοψίες κατά 27,8% και να μειώσει σημαντικά τα ψευδώς θετικά ποσοστά καρκίνου του μαστού κατά 37%.
«Σε αυτή την εργασία, παρουσιάζουμε ένα σύστημα τεχνητής νοημοσύνης που επιτυγχάνει με ακρίβεια επιπέδου ακτινολόγου τον εντοπισμό καρκίνου του μαστού σε υπερηχογράφημα», έγραψε ο Krzysztof Geras, PhD., επικεφαλής ερευνητής της μελέτης και επίκουρος καθηγητής στην Ιατρική Σχολή NYU Grossman, σε συνεργασία με τη συν-ερευνητή και ακτινολόγο Linda Moy, MD. καθηγήτρια στην Ιατρική Σχολή NYU Grossman, και τους ερευνητικούς τους συνεργάτες.
Ο καρκίνος του μαστού είναι η κύρια αιτία θανάτου μεταξύ των γυναικών παγκοσμίως. Σε παγκόσμιο επίπεδο, πέρυσι, υπήρξαν περίπου δύο εκατομμύρια νέα περιστατικά καρκίνου του μαστού. Σύμφωνα με εκτιμήσεις της Αμερικανικής Αντικαρκινικής Εταιρείας (ACS), ο καρκίνος του μαστού είναι μία από τις συχνότερες αιτίες καρκίνου στις Αμερικανίδες. Υπάρχει 1 στις 8 πιθανότητες μια Αμερικανίδα να αναπτύξει καρκίνο του μαστού και 1 στις 39 πιθανότητες να πεθάνει από καρκίνο του μαστού.
Επιπλέον, ο καρκίνος του μαστού δεν περιορίζεται μόνο στις γυναίκες. Το 2021 θα υπάρξουν 2.650 νέες περιπτώσεις διηθητικού καρκίνου του μαστού και 530 θάνατοι από καρκίνο του μαστού σε Αμερικανούς άνδρες, κάτι που πολύς κόσμος δεν γνωρίζει.
Η μαστογραφία είναι η πιο συχνά χρησιμοποιούμενη απεικονιστική μέθοδος για τον έλεγχο και την ανίχνευση του καρκίνου του μαστού. Ωστόσο, η ακρίβεια πέφτει σημαντικά από το 85% σε μόλις 48-64% σε περιπτώσεις όπου το άτομο έχει πυκνό ιστό στο μαστό. Έτσι, όσες έχουν πυκνούς μαστούς, έχουν τετραπλάσιο κίνδυνο να αναπτύξουν καρκίνο του μαστού.
Ένα άλλο μειονέκτημα της μαστογραφίας είναι ότι απαιτεί ακριβό ειδικό εξοπλισμό, εξειδικευμένους χειριστές και ακτινολόγους – κάτι που είναι απρόσιτο για τις απομακρυσμένες και αγροτικές περιοχές, όπου οι πόροι και οι προϋπολογισμοί των ειδικών της υγειονομικής περίθαλψης είναι περιορισμένοι.
«Δεδομένων των περιορισμών της μαστογραφίας, οι υπέρηχοι διαδραματίζουν σημαντικό ρόλο στη διάγνωση του καρκίνου του μαστού», έγραψαν οι ερευνητές. «Συχνά χρησιμεύει ως συμπληρωματική μέθοδος της μαστογραφίας σε καταστάσεις προσυμπτωματικού ελέγχου και ως κύρια μέθοδος απεικόνισης σε πολλά διαγνωστικά περιβάλλοντα, συμπεριλαμβανομένης της αξιολόγησης ψηλαφητών ανωμαλιών του μαστού».
Ωστόσο, ο υπέρηχος έχει κι αυτός τις δυσκολίες του. «Αν και έχει αποδειχθεί σταθερά ότι ανιχνεύει μαστογραφικά αποκρυπτόμενους καρκίνους, ο υπέρηχος του μαστού έχει σημειωθεί ότι έχει υψηλά ποσοστά ψευδώς θετικών αποτελεσμάτων», έγραψαν οι ερευνητές του NYU Langone Health.
Στη μελέτη αυτή, οι ερευνητές φιλτράρισαν ένα σύνολο δεδομένων με πάνω από 8,4 εκατομμύρια εικόνες από περισσότερες από 212.700 μοναδικές ασθενείς, από πάνω από 425.500 εξετάσεις μαστού στις ΗΠΑ, και το χρησιμοποίησαν για να εκπαιδεύσουν και να αξιολογήσουν ένα τεχνητό νευρωνικό δίκτυο. Η χρήση του συνόλου δεδομένων εκπαίδευσης είχε πάνω από 3,9 εκατομμύρια εικόνες από πάνω από 209.100 εξετάσεις από περισσότερες από 101.400 ασθενείς.
Ο αλγόριθμος βαθιάς μηχανικής μάθησης AI (τεχνητής νοημοσύνης) που χρησιμοποιήθηκε, ήταν ένα συνελικτικό νευρωνικό δίκτυο (CNN). «Με τη βοήθεια της τεχνητής νοημοσύνης, οι ακτινολόγοι μειώνουν τα ποσοστά ψευδώς θετικών αποτελεσμάτων κατά 37,3% και μειώνουν τις ζητούμενες βιοψίες κατά 27,8%, διατηρώντας το ίδιο επίπεδο ευαισθησίας», ανέφεραν οι επιστήμονες. «Αυτό αναδεικνύει τις δυνατότητες της ΤΝ στη βελτίωση της ακρίβειας, της συνέπειας και της αποτελεσματικότητας της διάγνωσης με υπερήχους του μαστού».
