סרטן השד נשאר אחד מהמשונות הנפוצים ביותר בקרב נשים ברחבי העולם, עם גילוי מוקדם להיות האסטרטגיה היעילה ביותר לשיפור תוצאות ההישרדות.ההקרנה של ממוגרפיה כבר זמן רב הכלי הסטנדרטי לזיהוי מוקדם, אך המגבלות שלה - כולל סרטן מפספס וזיכרון מיותרים - בניגוד לאתגר את הקליניקה של דינאלוגיה, ענף של אינטליגנציה מלאכותית, צמח כנספח חזק לפרשנות ממאופית, המציע את הפוטנציאל להקטנת הדיוק של סרטן השד, תוך כדי שיפור המנגנונים מתמטיים.

האתגר של זיהוי סרטן השד

סרטן השד הוא לעתים קרובות אסימפטומטי בשלבים המוקדמים שלו, מה שהופך את ההקרנה שגרתית חיוני.ממוגרפיה משתמשת צילומי רנטגן נמוכים כדי ליצור תמונות של רקמת השד, אשר קורנולוגים לבחון סימנים של חוסר יכולת כגון microcalcifications, המונים, עיוות אדריכליים.למרות השימוש הנרחב שלה, ממאוגרפיה אינה בלתי נמנעת.

על פי ארגון הבריאות העולמי, סרטן השד מהווה כ-2.3 מיליון מקרים חדשים בכל שנה.הצלחת תוכניות ההקרנה תלויה בפרשנות עקבית, אך ביצועי הרדיולוג יכולים להשתנות בהתאם לניסיון, עייפות ומורכבות המקרה.

מגבלות של יונקים מסורתיים

ממאוגרפיה מסורתית מסתמכת על זיהוי דפוס חזותי על ידי רדיולוגים מיומנים, בעוד יעיל, גישה זו יש מגבלות טבועה.שיעורים שליליים כוזבים בסינון ממאוגרפיה נע בין 10% ל -30%, כלומר שיעור משמעותי של סרטן מפספסים.שיעורים חיוביים כוזבים הם גם גבוהים - עד 10% של בדיקות ממותרפיות כתוצאה מדמיית סינון של הדמיה נוספת, עם הרוב המכריע של ממצאים אלה בסופו של דבר להוכיח להיות מונים אלה הם מגבלות מורכבות, כאשר הן תרופות רגשיות, מתחת ל , 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 רגישות נפשית, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 רגישות נפשית יכול להיות קשה יותר, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000.

יסודות למידה עמוקה עבור טיפול רפואי

למידה עמוקה היא תת-קבוצה של למידת מכונה המשתמשת ברשתות עצביות מלאכותיות עם שכבות מרובות כדי ללמוד באופן אוטומטי ייצוגים היררכיים מהנתונים.בדמיה רפואית, רשתות עצביות מהפכתיות (CNN) הן הארכיטקטורה של בחירה מכיוון שהן יכולות ללכוד תבניות מרחביות - כגון קצוות, מרקמים וצורות - ללא צורך בהנדסה ידנית.

רשתות ערפיליות

CNN מורכבת משכבות אבולוציה החלות מסננים ניתנים ללמידה לתמונות קלט, לייצר מפות תכונה המדגישות את נוכחותם של תבניות ספציפיות. בריכות שכבות ספיגה להפחית את המימדליות, בעוד ששכבות מחוברות לחלוטין מבצעים סיווג.עבור ניתוח ממותג, רשתות בדרך כלל מאומנים מקצה לקצה על זוגות תמונות ולייבלי קרקע תואמים (למשל, סרטן או נעדרים).

מודלים אלה יכולים לשלב מידע נוסף מעבר לנתונים פיקסל - כגון גיל המטופל, צפיפות השד ומסכים קודמים - כדי לשפר את התחזיות. גישות למידה רב-אינסטינקט מאפשר לרשת לפעול על כל הממותגמות ולא באזורים שלפני-התביעה, מחקה את משימתו של הרדיולוג לסרוק את התמונה כולה עבור הפרעות.

מידע וזיהוי

ההצלחה של כל מערכת למידה עמוקה תלויה באיכות ובכמות של נתוני האימון.לגילוי סרטן השד, נתונים כוללים לעתים קרובות אלפי ממאמוגרפיה מאוכלוסיות מגוונות, כל אחת עם סטיות מומחה המציין מיקום שבץ ותוצאות פתולוגיה. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . עבור זיהוי סרטן השדותונים זמין לציבור הרחב יותר נתונים זמינים נתונים כוללים לעתים קרובות נתונים זמינים נתונים כגון מסד נתונים זמין נתונים כגון מסד נתונים דיגיטלי נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים דיגיטליים עבור אוכלוסיות נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של אלגוריתמים של נתונים של אלגוריתמים של נתונים של נתונים של נתונים של נתונים של נתונים של נתונים של סקר נתונים של נתונים של נתונים של

אנטונומנט נתונים הוא תהליך רגיש הדורש רדיולוגים מנוסים.כדי לאימון בקנה מידה, החוקרים חקרו שיטות סמי-על-בסיסיות וחלשות המנצלות תוויות חלקיות – לדוגמה, רק מצביעות על כך שסרטן קיים בתמונה ולא לציין את המיקום המדויק שלו.טכניקות אלה להפחית את עלויות הסימון תוך שמירה על ביצועים תחרותיים.

כיצד למידה עמוקה משפרת את אמינות הגילוי

מערכות למידה עמוקות משפרות את הפרשנות הממאוגרפיה במספר דרכים.קודם, הן יכולות לזהות דפוסים עדינים שעשויים להיות בלתי נראים או מעורפלים לעין האנושית.שנית, הן מספקות ביצועים עקביים על פני מספר רב של מקרים, צמצום יכולת בין-קריירה שלישית, הן יכולות להשתלב בזרימת העבודה הקלינית ללשכת בחינות נורמליות, ממצאים חשודים בדגל או לשמש קורא שני.

במחקרים רטרוספקטיביים, אלגוריתמים למידה עמוקה הראו רגישות ורמות ספציפיות שמתאימות או מעל אלה של רדיולוגים מתרגלים.לדוגמה, מחקר של 2020 שפורסם ב-FLT:0.RadiologyFLT:1 דיווחו כי מערכת בינה מלאכותית השיגה אזור תחת עקומת ה-Fept התפעולית (AUC) של 0.94 במבחן עצמאי גדול, תוך שהיא מאפשרת את הרדיולוג הממוצע על ידי שולי משמעותי כאשר משתמשים בו כ- AI נמוך יותר מ-10 שניות.

ניכוי חיובי כוזב ושלילי שקר

חיובי כוזב הם מקור עיקרי של חוסר יעילות בבדיקת סרטן השד, המוביל לביקורי חיוגback, הדמיה נוספת, וביופסיה מיותרת.מודלים למידה עמוקה יכולים לעזור על ידי הקצאת ציון סיכון לכל מומוגרם.מבחנים עם ציונים נמוכים מאוד יכולים להיות מסווגים בביטחון כמו נורמלי, בעוד אלה עם ציונים גבוהים במהירות מהירה בדיקה מיידית.

שליליות כוזבים הם מסוכנים יותר, שכן סרטן מפספס עשוי להתקדם לשלב מתקדם לפני הסיבוב הבא של למידה עמוקה מודלים יעילים במיוחד לזהות סרטן בשדים צפופים, אוכלוסייה מאתגרת באופן מסורתי עבור ממוגרפיה. על ידי למידה לזהות סימנים עדינים כגון צפיפות אסימטרית או פיתוח שיניים, AI יכול לזהות מחלות כי אולי להתעלם.כמה מחקרים הראו כי שילוב AI ורדיולוג משפר את הרגישות הגדולות ביותר לדגמי סרטן, לעומת 5-15%, לעומת סרטן קטן, לעומת סרטן, 000, לעומת זאת, 000, לעומת זאת, 000, 000, 000 רגישות צפות שומן קטן יותר מאשר גידולים קטנים, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, 000.

ביצועים: רגישות, ספקיות, AUC

כדי להעריך מערכות למידה עמוקות, החוקרים משתמשים במדדים סטנדרטיים.FLT:0 (רגישות גבוהה) מדדים (שיעור חיובי אמיתי) מדדים שזיהו כראוי את שיעור הסרטן:2SpecificityFLT 3:0 (שיעור שלילי אמיתי) מעידים על שיעור המקרים הנורמליים המסווגים כמקובלים.

שילוב של זרימת עבודה קלינית

(הדגשה עמוקה בתכנית סינון בעולם האמיתי מחייבת שיקול זהיר של עיצוב זרימת העבודה.AI ניתן ליישם במספר מצבים: כקורא ראשון:0.1 קורא ראשון (AI דגלים חשודים בבדיקות רדיולוג), כ-FLT:2 השני קורא 2 השני FLT 3: 3 (AI סוקר את כל הבחינות והדפוסים באופן עצמאי), או כ-FLTAGEs עבור בדיקות רדיולוגיות באופן אוטומטי (מקלטים) למקרים של שימוש במקרים של סחר נורמלי בלבד.

תמיכה ברדיולוגים, לא להחזיר את

חשוב להדגיש כי למידה עמוקה נועדה להגדיל, לא להחליף, רדיולוגים.הטכנולוגיה עולה על זיהוי דפוס ועקביות אבל חסר הבנה ההקשרית, שיפוט קליני, מיומנויות תקשורת כי קוראי אדם מספקים. a רדיולוג יכול לשלב את ההיסטוריה של המטופל, הסימפטומים, גורמי סיכון גנטיים, וממצאים הדמיה קודמת - מידע כי לעתים קרובות לא נתפס בקלט של AI.

יישום אמיתי-עולם

כמה מערכות מסחריות קיבלו אישור רגולטורי עבור ממוגרפיה AI, כולל תוכנה מחברות כגון iCAD, Hologic, ScreenPoint Medical, ו- Lענישה. מוצרים אלה מופרסים במרכזי סינון ברחבי אירופה, אסיה וצפון אמריקה, הוציאו נתונים אמיתיים מתוכניות אירופיות מראות כי קריאת AI-sted יכולה לשמור או לשפר את שיעור זיהוי הסרטן תוך קיצוץ זמן קריאה ב -30-50%, לדוגמה, מחקר פוטנציאלי בניסוי כפול של סרטן, אם כי הוא עדיין קיים, כולל בדיקות אבטחה, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, בדיקות אבטחה סטנדרטיות, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, בדיקות אבטחה סטנדרטיותרפיות יותר מאשר בדיקות אבטחה סטנדרטיותרפיותרפיות, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, עם בדיקות אבטחה של AI-ידי מערכת הפעלה משולבת, עם בדיקות אבטחה של מערכת הפעלה משולבת של מערכת הפעלה משולבת של מערכת הפעלה משולבת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת, לעומת זאת,

אתגרים ושיקולים

למרות ההבטחה שלה, שילוב של למידה עמוקה לתוך בדיקת סרטן השד אינו ללא אתגרים. סוגיות מפתח כוללות פרטיות נתונים, הטיה אלגוריתמית, פיקוח רגולטורי, ואת הצורך להסביר מודל.

פרטיות נתונים ואבטחה

תמונות רפואיות נחשבות למידע בריאותי מוגן (PHI) בתחומים רבים של תחומי שיפוט.מודלים למידה עמוקה לעתים קרובות דורשות נתונים גדולים כי יש לזהות ולשתף אותם על פני מוסדות. הבטחת עמידה בתקנות כגון HIPAA בארצות הברית ו-GDPR באירופה מוסיף מורכבות.טכניקות כגון למידה מאובחנת - שבו מודלים מאומנת על פני אתרים מרובים ללא שיתוף נתונים - פתרון פוטנציאלי, אך הם נשארים פעילים של מערכות אחסון AI והגנתיות.

אחריות ו- Generalizability

מודל למידה עמוק הוא רק טוב כמו הנתונים שהוא מאומנים על.אם אימוני נתונים תכונה בעיקר ממותגות מדמוגרפית מסוימת (למשל, נשים ממוצא אירופי עם צפיפות חזה נמוכה), המודל עשוי להופיע גרוע על קבוצות תת-ייצוגיות - כגון נשים ממוצא אפריקאי או אסיה, אשר נוטים להיות חזה צפופים ומאפיינים שונים של סרטן השד.

אישור וסבירות

הגופים הרגולטוריים כמו מינהל המזון והתרופות האמריקאי (FDA) וסוכנות התרופות האירופית (EMA) דורשים ראיות לבטיחות ויעילות לפני מערכות AI ניתן לשווק.רוב מוצרי AI ממאוגרפיה הוקצו באמצעות 510(k) של ה- FDA, הדורשים הדגמה של שוויון משמעותי למכשיר שכבר הושקע, אך יש ביקוש גובר לבדיקות קפדניות יותר, כולל ניתוחי אבטחה מסוכנים, אך לעתים קרובות, כמו גם ל-"תערכאוכים"מערכת טיפולית"מספקת ראיות"מספקות"מספקות"ת ראיות"מספקות"מספקות"ת בדיקה"מספקות"מספקות"א"ל"ל"ל"מספקות"ל"ל"מספקות"מספקות"מספקות"ל"ל"מספקות"מספקות"ד"מספקות"ל"ל"ל"ד"מ"מספקות"מספקות"ל"מספקות"מספקות"ד"מספקות"מספקות"ד"מספקות"מספקות"מ"מספקות"מספקות"מספקות"מספקות"מספקות"ד"מספקות"מ

כיוונים עתידיים

התחום מתפתח במהירות.כמה התפתחויות מרגשות הן באופק שיכול לשפר עוד יותר את גילוי הסרטן ואת תוצאות המטופל.

צילום אישי

במקום ליישם לוח זמנים של בדיקת איכות אחת (למשל, ממאוגרפיה שנתית החל בגיל 40), למידה עמוקה יכולה לאפשר בדיקות מגובשות בסיכון.מודלים המשלבים היסטוריה משפחתית, סמנים גנטיים, צפיפות חזה, ותכונות טרום ממותג יכולות לחזות סרטן השד של חמש שנים עם דיוק גבוה נשים בסיכון גבוה יכול להיות מוקרן לעתים קרובות יותר עם תוספת או אולטרסאונד מוקדם, כמו בדיקות נמוכות של סרטן השד, בעוד שלעתים קרובות פחות מ-אורדמתק סיכון נמוך.

Multi-Modal Imaging

למידה עמוקה אינה מוגבלת ל-mammography. integrating מידע מ tomosynthesis השד הדיגיטלי (DBT), אולטרסאונד, MRI ואפילו נתונים גנומיים יכולים לספק הערכה מקיפה יותר.לדוגמה, AI רב-ממדי המשלב תמונות ממאוגרפיה ו tomosynthesis הוכח לזהות סרטן כי הם בלתי נראים במודולליות בלבד.

ניתוח בזמן אמת

כיום, רוב מערכות הבינה המלאכותית מעבדות את המוגרם לאחר הרכישה, לעתים קרובות תוצאות חוזרות בתוך דקות.מערכות עתידיות יכולות לפעול בזמן אמת במהלך בדיקת ההקרנה, לדגל אזורים חשודים באופן מיידי.זה יאפשר לטכנאי לבצע תצוגות נוספות או לרדיולוג לבחון את המקרה לפני שהמטופל עוזב, להפחית את שיעורי הסימון והשגת המסלול האבחון.

מסקנה

למידה עמוקה מעצבת מחדש את הנוף של זיהוי סרטן השד ביונקים.על ידי שיפור הרגישות, צמצום חיובי כוזב, ולספק ביצועים עקביים, מדרגיים, מערכות אלה מציעות יתרונות מוחשיים הן לחולים והן לספקי שירותי הבריאות.אבל שילוב מוצלח דורש התייחסות לאתגרים הקשורים לפרטיות נתונים, הטיה, עמידה רגולטורית, ואמון קליני.ההבטחות עתידיות אפילו יותר מתוחכמת יותר שיאפשרו בדיקות מותאמות אישית ואנליזה רב-מודולאלית, שמובילה בסופו של נשים קודמות יותר עבור נשים טובות יותר ויותר.

(הופנה מהדף זה, עיין במאמר המקורי: מחקר ציוני על ביצועי AI שפורסם ב-FLT:0RadiologyFLT:1 (DOI: 10.1148/רדיול.2020192751), תוצאות הניסוי של MASAI ב-FLT:2 The Lancet Digital HealthFOVA: 3LT) 3 (DOI: 10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10.10