Несколько тысяч женщин каждый год умирают от рака молочной железы. Если рак выявить при ранней стадии болезни, то есть очень высокие шансы в выздоровлении.
Маммография в настоящий момент является самым лучшим методом выявления опухоли, однако и он далеко не совершенный. Очень часто они выдают ложные результаты. Это может привести к ненужным биопсиям и операциям.
Одной из распространенных причин ложных показаний являются так называемые «высоко-рисковые» поражения, которые на маммограммах проявляют подозрительность. При проверке биопсией они имеют аномальные клетки. В этом случае пациент обычно подвергается хирургическому вмешательству, чтобы удалить поражение. Однако эти поражения оказываются доброкачественными в 90% случаев в хирургии. Это означает, что каждый год тысячи женщин проходят через болезненные, дорогие, операции, оставляющие шрамы, которые даже не нужны.
Как же предотвратить операции, которые не нужны? Исследователи из Массачусетского технологического института и общей больницы, а также Гарвардской медицинской школы считают, что необходимо применить искусственный интеллект (ИИ) для определения опухоли.
В качестве первого проекта по применению ИИ для увеличения эффективности диагностики и обнаружения рака, команды сотрудничали в разработке системы ИИ, которая обучает машину прогнозировать выявления злокачественных опухолей.
Из трехсот тридцати пяти злокачественных поражений искусственный интеллект смог в 97 процентах случаях определить ее. При этом можно сказать, что количество бесполезных операций уменьшились в тридцать раз.
«Из-за неточности аппаратов, врачи неправильно диагностируют рак молочной железы», — сказала Регина Барзилай, профессор электротехники и информатики Массачусетского технологического института. Ей знакома эта ситуация не понаслышке, так как она сама переборола рак молочной железы. «Когда есть такая неопределенность в данных, то машинное обучение — это
именно тот инструмент, который нам необходим для улучшения обнаружения и предотвращения ложных показаний».
Изучая информацию о более чем 600 существующих высоко-рисковых поражениях, искусственный интеллект ищет шаблоны из множества различных элементов данных, которые включают в себя демографические данные, семейную историю, прошлые биопсии и отчеты о патологии.
«Насколько нам известно, это первое исследование, посвященное применению машинного обучения для различения высоко-рисковых поражений, которые нуждаются в хирургическом вмешательстве, от доброкачественной опухоли», — сказала Констанция Леман, профессор Гарвардской медицинской школы и начальник отдела груди Отдел отдела радиологии MGH. «Мы считаем, что это поможет женщинам принимать более обоснованные решения об их лечении, и мы могли бы предложить более целенаправленные подходы к здравоохранению в целом».
Когда маммограмма обнаруживает подозрительное поражение, проводится биопсия иглы, чтобы определить, является ли опухоль злокачественной. Примерно 70 процентов поражений являются доброкачественными, 20 процентов — злокачественными, а 10 процентов — высоко-рисковыми.
Врачи принимают разные меры для поражений высокого риска. Некоторые делают операцию во всех случаях, в то время как другие выполняют хирургическое вмешательство только для поражений с более высокими показателями рака.
Первый подход требует, чтобы пациент проходил болезненную, трудоемкую и дорогостоящую операцию, которая обычно не нужна; второй подход является неточным и может привести к отсутствию раковых образований в случаях высокого риска.
Используя метод, известный как «классификатор случайных поисков», ИИ привел к меньшему количеству ненужных операций по сравнению со стратегией всегда выполняющей операции, а также была способна диагностировать злокачественные раковые поражения, чем стратегия только хирургического вмешательства.
«Эта работа подчеркивает пример использования передовых технологий машинного обучения, чтобы избежать ненужной операции», — говорит Марк Коли, директор клинической информатики в Отделе радиологии и биомедицинской визуализации в Калифорнийском университете в Сан-Франциско. «Это первый шаг к медицинскому сообществу, охватывающему машинное обучение, как способ выявления закономерностей и тенденций, которые в противном случае невидимы для людей».
«Раньше мы могли бы рекомендовать, чтобы все поражения высокого риска подвергались хирургическому удалению», — говорит Леман. «Однако теперь, если модель определяет, что поражение имеет очень низкую вероятность того, что она может быть злокачественной у конкретного пациента, мы можем провести более информированное обсуждение с нашим пациентом о вариантах лечения. Для некоторых пациентов может быть разумным, чтобы их поражения сопровождались визуализацией, а не хирургическим удалением ».
Модель может быть легко изменена, чтобы применяться к другим видам рака и даже к другим болезням.