Использование глубокого обучения для повышения точности обнаружения рака молочной железы в маммограммах

Рак молочной железы остается одной из наиболее распространенных злокачественных новообразований среди женщин во всем мире, причем раннее выявление является единственной наиболее эффективной стратегией для улучшения результатов выживаемости. Скрининговая маммография уже давно является стандартным инструментом для ранней идентификации, но ее ограничения, включая пропущенные виды рака и ненужные воспоминания, продолжают бросать вызов клиницистам. Глубокое обучение, отрасль искусственного интеллекта, стало мощным дополнением к маммографической интерпретации, предлагая потенциал для повышения точности диагностики при одновременном снижении нагрузки на радиологов. В этой статье рассматривается, как глубокое обучение применяется для улучшения обнаружения рака молочной железы в маммографии, механизмы, лежащие в основе его успеха, и препятствия, которые должны быть преодолены для широкого клинического принятия.

Проблема обнаружения рака молочной железы

Рак молочной железы часто бессимптомен на ранних стадиях, что делает рутинный скрининг необходимым. Маммография использует низкие дозы рентгеновских лучей для создания изображений ткани молочной железы, которые рентгенологи исследуют на наличие признаков злокачественности, таких как микрокальцификации, массы и архитектурные искажения. Несмотря на его широкое использование, маммография не является непогрешимой. Плотная ткань молочной железы, присутствующая примерно у половины пациентов, проходящих скрининг, может затушевывать поражения, что приводит к снижению чувствительности. И наоборот, доброкачественные результаты могут быть интерпретированы как подозрительные, что приводит к ложным срабатываниям, которые вызывают беспокойство пациента и приводят к ненужной биопсии.

По данным Всемирной организации здравоохранения, рак молочной железы ежегодно составляет около 2,3 млн новых случаев во всем мире. Успех программ скрининга зависит от последовательной интерпретации, однако показатели рентгенолога могут варьироваться в зависимости от опыта, усталости и сложности случая. Эти факторы создают острую потребность в инструментах, которые могут улучшить восприятие человека и уменьшить интерпретируемую изменчивость.

Ограничения традиционной маммографии

Традиционная маммография опирается на визуальное распознавание образов обученными радиологами. Хотя этот подход эффективен, он имеет неотъемлемые ограничения. Ложноотрицательные показатели в скрининговой маммографии колеблются от 10% до 30%, что означает, что значительная доля раковых заболеваний пропущена. Ложноположительные показатели также высоки - до 10% скрининговых маммографий приводят к отзыву для дополнительной визуализации, причем подавляющее большинство этих результатов в конечном итоге оказываются доброкачественными. Эти ограничения усугубляются у женщин с плотной грудью, где чувствительность может опускаться ниже 50%. Финансовые и психологические затраты на эти неточности привели к обширным исследованиям вычислительных методов, чтобы помочь интерпретации.

Глубокое обучение основам медицинской визуализации

Глубокое обучение - это подмножество машинного обучения, которое использует искусственные нейронные сети с несколькими слоями для автоматического изучения иерархических представлений из данных. В медицинской визуализации сверточные нейронные сети (CNN) являются архитектурой выбора, потому что они могут захватывать пространственные паттерны, такие как края, текстуры и формы, без необходимости ручной разработки функций. Благодаря обучению на больших наборах данных аннотированных маммографий эти сети учатся различать доброкачественные и злокачественные результаты с высокой точностью.

Сверточные нейронные сети

CNN состоит из сверточных слоев, которые применяют изучаемые фильтры для ввода изображений, создавая карты признаков, которые подчеркивают наличие конкретных шаблонов. Слои пула уменьшают размерность, в то время как полностью связанные слои выполняют классификацию. Для анализа маммографии сети обычно обучаются сквозным образом на парах изображений и соответствующих метках правды о земле (например, рак присутствует или отсутствует). Передовые архитектуры, такие как ResNet, DenseNet и EfficientNet, были адаптированы для маммографии, достигая производительности, сопоставимой или превышающей производительность радиологов человека в контролируемых исследованиях.

Эти модели могут включать дополнительную информацию, помимо пиксельных данных, таких как возраст пациента, плотность груди и предыдущие экраны, для улучшения прогнозов. Подходы к обучению с несколькими инстанциями позволяют сети работать на целых маммограммах, а не на предварительно сегментированных областях, имитируя задачу радиолога сканировать все изображение на наличие аномалий.

Учебные данные и аннотации

Успех любой системы глубокого обучения зависит от качества и количества данных обучения. Для обнаружения рака молочной железы наборы данных часто включают тысячи маммографий из разных популяций, каждая с экспертными аннотациями, определяющими местоположение поражения и исход патологии. Публично доступные наборы данных, такие как цифровая база данных для скрининговой маммографии (DDSM) и подмножество изображений с помощью кураторской грудной клетки DDSM (CBIS-DDSM), сыграли важную роль в разработке алгоритма. Однако эти наборы данных могут не полностью представлять реальные популяции скрининга, которые включают в себя сочетание случаев рака и нормальных экзаменов. Более недавние усилия, такие как набор данных OPTIMAM из Великобритании и набор данных визуализации с помощью EMory BrEast (EMBED), предоставляют более крупные, более клинически релевантные примеры обучения.

Аннотация данных - трудоемкий процесс, требующий опытных радиологов молочной железы. Для масштабирования обучения исследователи изучили полуконтролируемые и слабо контролируемые методы, которые используют частичные метки - например, только указывая, присутствует ли рак на изображении, а не маркируя его точное местоположение. Эти методы снижают затраты на аннотацию при сохранении конкурентоспособности.

Как глубокое обучение улучшает точность обнаружения

Системы глубокого обучения усиливают маммографическую интерпретацию несколькими способами. Во-первых, они могут идентифицировать тонкие паттерны, которые могут быть невидимыми или неоднозначными для человеческого глаза. Во-вторых, они обеспечивают последовательную работу в больших объемах случаев, уменьшая вариабельность между читателями. В-третьих, они могут быть интегрированы в клинический рабочий процесс для сортировки нормальных экзаменов, выявления подозрительных результатов или служить вторым читателем.

В ретроспективных исследованиях алгоритмы глубокого обучения продемонстрировали уровни чувствительности и специфичности, которые соответствуют или превышают уровни практикующих радиологов. Например, исследование 2020 года, опубликованное в Радиология , сообщило, что система ИИ достигла области под кривой рабочих характеристик приемника (AUC) 0,94 на большом независимом тестовом наборе, превзойдя среднего радиолога статистически значимым запасом. При использовании в качестве второго считывателя ИИ уменьшил ложные срабатывания на 10-20% при сохранении чувствительности.

Сокращение ложных положительных и ложных отрицательных

Ложные положительные результаты являются основным источником неэффективности скрининга рака молочной железы, что приводит к повторным посещениям, дополнительной визуализации и ненужным биопсиям. Модели глубокого обучения могут помочь, назначив оценку риска для каждой маммографии. Экзамены с очень низкими баллами могут быть уверенно классифицированы как нормальные, в то время как те, с высокими баллами, могут быть немедленно пересмотрены. Промежуточные баллы могут быть увеличены до двойного чтения или дополнительной визуализации. Эта стратификация уменьшает количество доброкачественных результатов, которые помечены для дальнейшей обработки, тем самым снижая ложноположительные показатели без ущерба для обнаружения рака.

Ложные негативы более опасны, так как пропущенный рак может перейти в продвинутую стадию до следующего раунда скрининга. Модели глубокого обучения особенно эффективны при обнаружении рака в плотной груди, популяции, традиционно сложной для маммографии. Научившись распознавать тонкие признаки, такие как асимметричная плотность или развивающаяся плотность, ИИ может идентифицировать злокачественные опухоли, которые в противном случае могли бы быть упущены. Несколько исследований показали, что комбинированное чтение ИИ и рентгенолога улучшает чувствительность на 5-15% по сравнению с одним радиологом, с наибольшим приростом, наблюдаемым в плотной груди и небольших опухолях.

Метрики производительности: чувствительность, специфичность, AUC

Для оценки систем глубокого обучения исследователи используют стандартные метрики. Чувствительность (истинная положительная скорость) измеряет долю правильно идентифицированных раковых заболеваний. Специфика (истинная отрицательная скорость) указывает на долю нормальных случаев, правильно классифицированных как нормальные. AUC суммирует компромисс между чувствительностью и специфичностью по всем возможным порогам принятия решений. Для скрининга рака молочной железы высокая чувствительность имеет решающее значение, чтобы избежать пропущенных диагнозов, в то время как высокая специфичность необходима для минимизации ненужного вреда. Современные модели глубокого обучения достигают значений AUC между 0,90 и 0,96 на курируемых наборах тестов, с соответствующей чувствительностью 85-95% при специфичности 90-95%. Эти цифры продолжают улучшаться, поскольку модели обучаются на более крупных и разнообразных наборах данных.

Интеграция в клинический рабочий процесс

Развертывание глубокого обучения в реальной программе скрининга требует тщательного рассмотрения дизайна рабочего процесса. ИИ может быть реализован в нескольких режимах: как первый читатель (ИИ флаги подозрительных экзаменов для радиолога обзора), как второй читатель (ИИ обзоры всех экзаменов независимо и флаги расхождения), или как инструмент проверки (ИИ автоматически очищает нормальные экзамены, оставляя только потенциально ненормальные случаи для человеческого чтения).

Поддержка радиологов, а не их замена

Важно подчеркнуть, что глубокое обучение предназначено для увеличения, а не замены радиологов. Технология превосходит распознавание образов и последовательность, но не имеет контекстуального понимания, клинического суждения и коммуникативных навыков, которые предоставляют читатели человека. Радиолог может интегрировать историю пациента, симптомы, генетические факторы риска и предварительные результаты визуализации - информацию, которая часто не фиксируется в входе ИИ. На практике лучшие результаты достигаются, когда ИИ и человеческий интеллект работают вместе, с ИИ уменьшают усталость и улучшают обнаружение, в то время как радиолог делает окончательный вызов.

Реальная реализация

Несколько коммерческих систем получили нормативное разрешение на маммографию ИИ, в том числе программное обеспечение от таких компаний, как iCAD, Hologic, ScreenPoint Medical и Lunit. Эти продукты внедряются в скрининговые центры по всей Европе, Азии и Северной Америке. Опубликованные реальные данные европейских программ показывают, что чтение с помощью ИИ может поддерживать или улучшать показатели обнаружения рака при сокращении времени чтения на 30-50%. Например, большое проспективное исследование в Швеции (исследование MASAI) показало, что скрининг с поддержкой ИИ выявил на 20% больше раковых заболеваний, чем стандартное двойное чтение, без увеличения ложных срабатываний. Такие доказательства ускоряют принятие, хотя проблемы с внедрением остаются, включая интеграцию с существующими системами архивирования изображений и связи (PACS), обучение радиологов и модели возмещения.

Проблемы и соображения

Несмотря на свои обещания, интеграция глубокого обучения в скрининг рака молочной железы не лишена проблем. Ключевые проблемы включают конфиденциальность данных, алгоритмическую предвзятость, нормативный надзор и необходимость объяснимости модели.

Конфиденциальность данных и безопасность

Медицинские изображения считаются защищенной информацией о здоровье (PHI) во многих юрисдикциях. Обучение моделям глубокого обучения часто требует больших наборов данных, которые должны быть обезличены и разделены между учреждениями. Обеспечение соблюдения правил, таких как HIPAA в Соединенных Штатах и GDPR в Европе, добавляет сложность. Такие методы, как федеративное обучение, где модели обучаются на нескольких сайтах без обмена сырыми данными, предлагают потенциальное решение, но они остаются активной областью исследований. Кроме того, хранение и передача маммографий в облачных системах ИИ требуют надежного шифрования и контроля доступа для предотвращения несанкционированного использования.

Предвзятость и обобщенность

Модель глубокого обучения хороша только в той мере, в какой она подготовлена. Если наборы данных обучения преимущественно содержат маммографию из определенной демографической группы (например, женщины европейского происхождения с низкой плотностью груди), модель может плохо работать в недостаточно представленных группах, таких как женщины африканского или азиатского происхождения, которые, как правило, имеют более плотную грудь и различные характеристики рака молочной железы. Эта предвзятость может усугубить существующие диспропорции в отношении здоровья. Для решения этой проблемы разработчики должны обеспечить разнообразное представление в данных обучения и проверить модели в нескольких популяциях и оборудовании для визуализации. Текущие усилия, такие как инициатива AI for Equity, работают над созданием более инклюзивных наборов данных и оценочных рамок.

Утверждение и объяснение регулирующего

Регулирующие органы, такие как Управление по контролю за продуктами и лекарствами США (FDA) и Европейское агентство по лекарственным средствам (EMA), требуют доказательств безопасности и эффективности до того, как системы ИИ могут быть проданы. Большинство продуктов для маммографии ИИ были очищены через путь FDA 510(k), который требует демонстрации существенной эквивалентности уже проданному устройству. Однако растет спрос на более строгие предварительные испытания, включая перспективные клинические испытания. Кроме того, клиницисты часто неохотно доверяют системе «черного ящика», которая обеспечивает оценку без объяснения ее рассуждений. Исследования объяснимого ИИ, такие как карты заметности, которые подчеркивают, какие области маммографии повлияли на решение модели, помогают преодолеть этот разрыв, но полная прозрачность остается неуловимой.

Будущие направления

На горизонте находится несколько интересных событий, которые могут еще больше улучшить обнаружение рака молочной железы и результаты лечения пациентов.

Персонализированный скрининг

Вместо того, чтобы применять график скрининга в один размер, подходящий для всех (например, ежегодная маммография, начинающаяся в возрасте 40 лет), глубокое обучение может позволить проводить скрининг, стратифицированный на риск. Модели, которые включают семейную историю, генетические маркеры, плотность молочной железы и предыдущие особенности маммографии, могут с высокой точностью предсказать пятилетний риск рака молочной железы у женщины. Женщины с повышенным риском могут быть обследованы чаще или с дополнительной визуализацией (например, ультразвуком или МРТ), в то время как женщины с низким риском могут быть обследованы реже, уменьшая ненужное воздействие радиации и ложных срабатываний. Ранние исследования, такие как модель риска, разработанная Yala et al. (2019), используя глубокое обучение на маммограммах, показывают перспективы в превосходстве традиционных калькуляторов риска, таких как модель Гейл.

Многомодальная визуализация

Глубокое обучение не ограничивается маммографией. Интеграция информации с цифрового томосинтеза молочной железы (DBT), ультразвука, МРТ и даже геномных данных может обеспечить более полную оценку. Например, мультимодальный ИИ, который сочетает маммографические и томосинтезные изображения, как было показано, обнаруживает раковые заболевания, которые невидимы в любой из этих модальностей. Аналогичным образом, сочетание визуализации с жидкими биопсийными маркерами (циркулирующая опухолевая ДНК) может позволить более раннее обнаружение и более точную характеристику биологии опухоли.

Анализ в реальном времени

В настоящее время большинство систем ИИ обрабатывают маммографию после приобретения, часто возвращая результаты в считанные минуты. Будущие системы могут работать в режиме реального времени во время скринингового обследования, сразу же помечая подозрительные области. Это позволит технологу выполнить дополнительные просмотры или рентгенологу пересмотреть случай до ухода пациента, уменьшая частоту обратного вызова и ускоряя диагностический путь. Такие возможности технически сложны, но становятся все более осуществимыми по мере улучшения аппаратного обеспечения и алгоритмов.

Заключение

Глубокое обучение меняет ландшафт обнаружения рака молочной железы в маммографии. Улучшая чувствительность, снижая ложные срабатывания и обеспечивая последовательную, масштабируемую производительность, эти системы предлагают ощутимые преимущества как для пациентов, так и для поставщиков медицинских услуг. Тем не менее успешная интеграция требует решения проблем, связанных с конфиденциальностью данных, предвзятостью, соблюдением нормативных требований и клиническим доверием. Будущее обещает еще более сложные инструменты, которые позволят персонализированный скрининг и мультимодальный анализ, что в конечном итоге приведет к более раннему обнаружению и лучшим результатам для женщин во всем мире.

Для дальнейшего чтения по этой теме, обратитесь к оригинальным исследовательским статьям, упомянутым в этой статье: знаковое исследование по эффективности ИИ, опубликованное в Радиология (DOI: 10.1148/radiol.2020192751), результаты исследования MASAI в The Lancet Digital Health (DOI: 10.1016/S2589-7500(21)00176-4) и модель прогнозирования риска глубокого обучения Yala et al. в Журнал клинической онкологии (DOI: 10.1200/JCO.19.00507]). Дополнительная информация о статистике рака молочной железы доступна во Всемирной организации здравоохранения ВОЗ информационный бюллетень ) и Целевой группе по профилактическим услугам США (USPSTF скрининговые рекомендации по раку молочной железы [[FLT: