Właśnie opublikowaliśmy 12 odcinek podcastu Coopernicus!
Artykuł - zdjęcie główne
Sztuczna inteligencja szansą na poprawę wyników w badaniach przesiewowych raka piersi

Wykorzystywanie sztucznej inteligencji w medycynie jest coraz bardziej powszechnym zjawiskiem. W tej dziedzinie dotyczy głównie zastosowania algorytmów głębokiego uczenia. Jest to proces, w którym sztuczne sieci neuronowe są w stanie uczyć się na podstawie dużej ilości danych, dzięki algorytmom zaprojektowanym do działania podobnie jak neurony w ludzkim mózgu. W ten sposób mogą rozpoznawać zmiany chorobowe na podstawie badań obrazowych.

Rak piersi jest drugą wiodącą przyczyną zgonów z powodu nowotworów wśród kobiet w USA. Niedopowiedzeniem byłoby jednak przywołanie tylko tych danych. Jest to również najczęściej spotykany nowotwór u kobiet, stanowiący wśród nich główną przyczynę śmierci z powodu raka i odpowiadający za około 500 tysięcy zgonów rocznie na całym świecie. Istnieje jednak sposób na ulepszenie procesu diagnozowania i poprawienia wyników badań pacjentek onkologicznych. Został on przedstawiony w publikacji „Deep Neural Networks Improve Radiologists’ Performance in Breast Cancer Screening”, której jednym ze współautorów jest pochodzący z polski informatyk i adiunkt NYU Grossman School of Medicine, Krzysztof J. Geras. Model stworzony przez autorów artykułu oparty jest na wyżej wspominanej głębokiej konwencjonalnej sieci neuronowej, wykorzystywanej do klasyfikacji badań przesiewowych w kierunku raka piersi [1].

Obecnie za podstawową metodę diagnostyczną raka piersi uznaje się mammografię, czyli badanie obrazowe piersi. Jednak pomimo wysokiej skuteczności badania mammograficznego i jego roli we wczesnym wykrywaniu nowotworu złośliwego istnieje prawdopodobieństwo niewykrycia danej zmiany nowotworowej oraz dokonania fałszywie dodatnich rozpoznań i związanych z nimi fałszywie dodatnich wyników biopsji. Aby temu zapobiec i wspomóc radiologów w interpretacji badań przesiewowych raka piersi, naukowcy pracują nad nową generacją narzędzi, podobnych do wykrywania wspomaganego komputerowo (CAD). CAD wykorzystywany jest do pomocy w interpretacji obrazów w badaniach mammograficznych i ma za zadanie wspierać decyzje diagnostyczne radiologa metodami przetwarzania, analizy i rozpoznawania. Projektowanie narzędzi podobnych do CAD umożliwiają konwolucyjne sieci neuronowe (CNN). CNN to rodzaj modelu uczącego się, który może pobrać obraz wejściowy i sklasyfikować go wedle wcześniej zdefiniowanych kategorii. [2] To właśnie on został wykorzystany do opracowania modelu przedstawionego w artykule. Model ten dzięki wprowadzonej strategii osiąga wydajność konkurencyjną dla człowieka. Zbudowana przez autorów publikacji sieć neuronowa, mogąca dokładnie sklasyfikować badania przesiewowe w kierunku raka piersi, okazuje się być równie dokładna jak doświadczeni radiolodzy. Największe korzyści przynosi jednak w połączeniu z działaniem człowieka, w tym wypadku lekarza.

Ostatnio obserwowane osiągnięcia to dopiero początek badań związanych z wprowadzeniem sztucznej inteligencji do diagnostyki nowotworu piersi. Możliwe jest stworzenie jeszcze bardziej zaawansowanych i dokładnych modeli, które dadzą szansę na coraz skuteczniejsze wykrywanie raka piersi. Jednak rozwój diagnostyki medycznej z wykorzystaniem głębokiego uczenia to nadzieja nie tylko dla chorych na nowotwory, ale również dla tych zmagających się z wieloma innymi przypadłościami. Ich wykrycie na wczesnym etapie może być szansą na uratowanie zdrowia, a niekiedy nawet i życia pacjenta.

Bibliografia:

  1. Wu N., Phang J et al. Deep Neural Networks Improve Radiologists’ Performance in Breast Cancer Screening, IEEE TRANSACTIONS ON MEDICAL IMAGING, 2020, VOL. 39, NO. 4.
  2.  Y. Lecun, L. Bottou et al. Gradient-based learning applied to document recognition in Proceedings of the IEEE, 1998, VOL. 86, NO. 11, online access on: 14/12/2022 https://ieeexplore.ieee.org/document/726791
Krzysztof Geras
Bio:

Krzysztof jest assistant professor w NYU Grossman School of Medicine oraz affiliated faculty w NYU Center for Data Science. Jego główne zainteresowania dotyczą uczenia bez nadzoru z wykorzystaniem sieci neuronowych, kompresji modeli, uczenia transferowego, ewaluacji modeli uczenia maszynowego oraz zastosowań tych technik w obrazowaniu medycznym. Wcześniej ukończył staż podoktorski na NYU z Kyunghyun Cho, doktorat na University of Edinburgh z Charlesem Suttonem oraz MSc jako student wizytujący na University of Edinburgh z Amosem Storkeyem. Jego licencjat pochodzi z Uniwersytetu Warszawskiego. Odbył również staże przemysłowe w Microsoft Research (Redmond, praca z Richiem Caruaną i Abdel-rahmanem Mohamedem), Amazon (Berlin, grupa Ralfa Herbricha), Microsoft (Bellevue) i J.P. Morgan (Londyn).

Aleksandra Oleszycka
Redaktor
Bio:

Studentka dziennikarstwa i medioznawstwa na Uniwersytecie Warszawskim. Pasjonuje się sztuką, grafiką oraz nowymi mediami. Swoje zainteresowanie znajduje również w tworzeniu tekstów o tematyce społecznej i psychologicznej.

Napisany przez:

Krzysztof Geras, Aleksandra Oleszycka

1 komentarz

  1. Janina pisze:

    Artykuł bardzo mnie zainteresował

Dodaj komentarz