سرطان پستان اغلب بدخیمی در میان زنان در سراسر جهان است، که سالانه بیش از 2.3 میلیون مورد جدید را تشکیل می دهد، تشخیص اولیه سنگ بنای درمان موثر و بهبود بقای است: هنگامی که سرطان سینه در اوایل گرفتار شده است، میزان بقای نسبی پنج ساله در تصویربرداری پزشکی - به ویژه ماموگرافی - ابزار غربالگری اولیه برای شناسایی علائم اولیه بیماری است.

نقش Calcifications در تشخیص سرطان پستان

نمودارها در ماموگرافی ها به عنوان مشخصات سفید روشن یا سپرده ها در برابر پس زمینه تاریک بافت سینه چرب ظاهر می شوند، آنها با اندازه، مورفولوژی و توزیع (Fmorphic) تنظیم شده اند [FLT: {\displaystyle {\displaystyle {\displaystyle {\displaystyle} یا {\displaystyle {\displaystyle {\displaystyle }

چالش های در تشخیص دستی

خواندن ماموگرافی برای calcifications یک کار بصری خواستار است. subtle microcalcifications ممکن است به سختی قابل تشخیص باشد، به ویژه در بافت سینه متراکم که پس زمینه غده می تواند ضایعات بار بررسی شده توسط Peer به طور مداوم نشان می دهد تنوع پذیری قابل توجهی از رادیوگرافیک: حتی خوانندگان با تجربه ممکن است در حضور، تعداد، یا سوء ظن از سرطان های متوسط (خواننده فشار بالا).

الگوریتم های AI در تشخیص خودکار

هوش مصنوعی، به ویژه یادگیری عمیق با استفاده از شبکه های عصبی هم تکامل یافته (CNNs)، تجزیه و تحلیل تصویر پزشکی را انقلابی کرده است.سیستم های CAD مبتنی بر AI برای تشخیص کاتتراسیون در هزاران یا میلیون ها انسان شناسی برجسته آموزش داده شده است - تصاویری که در آن رادیولوژیست ها به صورت دستی هر خوشه مشکوک را مشخص کرده و یک دسته بندی BI-RADS را ارائه می دهند. الگوریتم برای شناخت الگوهای پیکسل های مربوط به تنظیمات حرارتی (شکل بندی های خوشه ای مدرن و انعطاف پذیر)

چگونه AI در تشخیص کار می کند

فرآیند آموزش شامل چندین مرحله است.اول، تصاویر به حالت عادی سازی، حذف مصنوعات و تراز کردن پیش بینی های داده است. - تقویت، پیچ و خم کردن، مقیاس، و اضافه کردن صدا - به طور مصنوعی گسترش تنظیم و بهبود ویژگی های سلسله مراتبی CNN می آموزد: لایه های اولیه تشخیص و نفخ، لایه های عمیق تر تشخیص پیچیده تر و عمیق تر، و شکل های خروجی در طول نقشه برش تصویر به طور کامل (شکل های تشخیص چهره های تشخیص چهره های تجزیه و تجزیه و تحلیل دقیق) ممکن است.

مزایای تشخیص AI-Assisted

  • افزایش دقت: مطالعات بزرگ در مقیاس بزرگ گذشته نگر گزارش می دهد که الگوریتم های AI به مقادیر کم عمق (AUC) بالاتر از 0.90 برای تشخیص سرطان، تطبیق یا بیش از عملکرد متوسط رادیولوژیست به طور خاص، نرخ های منفی کاذب می تواند توسط 20-40٪ کاهش یابد.
  • بهره وری زمان: AI می تواند یک ماموگرافی را در ثانیه پردازش کند، به رادیولوژیست ها اجازه می دهد تا موارد را به عنوان مشکوک اولویت بندی کنند.این تابع سه گانه می تواند زمان خواندن را تا 30٪ کاهش دهد در حالی که حساسیت را حفظ می کند.
  • سازگاری: بر خلاف انسان، یک مدل AI آموزش دیده می دهد همان خروجی برای همان ورودی هر بار.این استاندارد سازی می تواند تنوع بین خوانندگان و بین امکانات را کاهش دهد.
  • نرخ های یادآوری قرمز: [FLT 1] با کمک به حکومت از کاتتر زدایی خوش خیم، AI می تواند تعداد زنانی که به نام تصویر برداری اضافی، کاهش اضطراب بیمار و هزینه های مراقبت های بهداشتی.
  • دومین خواننده Parity: در جریان های کاری تک نفره، AI به عنوان یک خواننده دوم مستقل عمل می کند، شبیه به خواندن دو برابر، اما بدون نیاز به یک رادیولوژیست اضافی.

ادغام در جریان های کاری بالینی

AI برای تشخیص کاتتر سازی در نظر گرفته نشده است که جایگزین رادیولوژیست ها شود، بلکه به عنوان یک ابزار پشتیبانی تصمیم گیری عمل کند.

  • خواندن همزمان: [بر روی جلد] AI در کنار ماموگرافی در طول تفسیر اولیه نمایش داده می شود، ارائه محرک های زمان واقعی.
  • حالت خواننده دوم: رادیولوژیست ابتدا پرونده را می خواند، سپس یافته های AI را بررسی می کند و ممکن است ارزیابی آنها را تنظیم کند.
  • حالت سه گانه / صفحه نمایش: موارد با سوء ظن پایین AI به طور خودکار برای کاهش حجم کار مرتب شده اند؛ کسانی که دارای سوء ظن بالا هستند برای بررسی فوری اولویت بندی شده اند.

تایید مقررات (به عنوان مثال، ترخیص FDA) نیاز به شواهدی از مزایای بالینی دارد. چندین دستگاه CAD مبتنی بر AI برای ماموگرافی ترخیص شده اند و مطالعات آینده نگر برای اندازه گیری تاثیر واقعی بر میزان تشخیص سرطان، نرخ یادآوری و بهره وری گردش کار در حال انجام است.

مسیر های آینده و چالش ها

علی رغم وعده های فنی، تشخیص مبتنی بر فیبرینگ AI با موانع مواجه است.[۱۰] تنوع بایگانی حیاتی است: الگوریتم هایی که عمدتاً در جمعیت قفقاز آموزش دیده اند، ممکن است به طور ضعیف بر سینه های زنان با بافت متراکم تر و یا ارائه های رادیویی مختلف (FLT:2Explainability [F:3] یک مفهوم عمده تحقیق است - [F] چرا پردازش هوش مصنوعی برای درک یک منطقه اعتماد و تشخیص آن نیاز به نفس دارد.

با نگاهی به آینده، AI احتمالا فراتر از کاتتر زایی برای ترکیب کامل ([۳] ماموگرافی دیجیتال (FFDM)، تومسینوز دیجیتال (DBT، سه بعدی ماموگرافی) و حتی سونوگرافی و MRI (۳) AI چند منظوره که ترکیب داده های تصویربرداری با ژنومی و تاریخ بالینی می تواند ارزیابی های ریسک شخصی سازی شده را ارائه دهد.

در نتیجه، تشخیص خودکار از کاتترسازی با استفاده از الگوریتم های AI، تبدیل تصویربرداری از سینه است.با افزایش حساسیت، کاهش مثبت کاذب و حمایت از رادیولوژیست ها در میان افزایش حجم کار، AI پتانسیل بهبود تشخیص سرطان سینه زودرس و در نهایت نجات زندگی را دارد. ادامه همکاری بین پزشکان، مهندسان و تنظیم کنندگان ضروری است تا این پتانسیل را به طور کامل درک کنند.