Analiza zdjęć mammograficznych przez program oparty na sztucznej inteligencji
Autor: Aleksandra Lang
Data: 09.03.2020
Źródło: doi.org/10.1016/S2589-7500(20)30003-0/Mikołaj Kamiński
Działy:
Doniesienia naukowe
Aktualności
| Tagi: | rak piersi, algorytm, radiologia, mammografia |
Mammografia stanowi podstawowe narzędzie skriningu raka piersi. Na łamach Lancet Digital Health opublikowano prace naukowców pochodzących z Korei Południowej. którzy ocenili skuteczność kliniczną algorytmu opartego na sztucznej inteligencji w ocenie zdjęć mammograficznych.
W swojej pracy badacze wykorzystali ponad 170 tys. zdjęć mammograficznych pochodzących z pięciu ośrodków z Korei Południowej, Stanów Zjednoczonych oraz Wielkiej Brytanii. Wśród wśród analizowanego materiału znajdowało się ponad 36 tys. przykładów nowotworu złośliwego, 59 tys. zmian łagodnych oraz 74 tys. zdjęć bez zmian patologicznych. Na podstawie tego materiału badacze zwalidowali algorytm oparty na sztucznej inteligencji. Uzyskany algorytm skonfrontowano z 14 radiologami na materiale 320 zdjęć mammograficznych, wśród których 160 przedstawiało nowotwór złośliwy, 64 zmiany łagodne, a 96 nie zawierało zmian patologicznych.
Badacze porównywali skuteczność samego oprogramowania, samych radiologów, a następnie radiologów korzystających z programu. Zadaniem lekarzy oraz programu była ocena prawdopodobieństwa złośliwości zmiany, jej umiejscowienie oraz decyzja dotycząca ponownego wezwania pacjenta. Do porównania skuteczności oceny zdjęć mammograficznych wykorzystano wartość AUROC dotyczącą prawdopodobieństwa wskazania, że zmiana ma charakter złośliwy.
W przypadku samego programu AUROC wynosiło 0,94 [95% CI: 0,92-0,97] i było istotnie wyższe w porównaniu z wynikami radiologów bez wsparcia programu - 0,81 [95% CI: 0.77-0.85] (p < 0.001). Z pomocą oprogramowania radiolodzy poprawili swoją skuteczność w ocenie mamogramów i AUROC w tym przypadku wyniosło 0,88 [95% CI: 0.85-0.91]. W porównaniu z radiologami program lepiej lepiej wykrywał guzy w stopniu zaawansowania T1 (p < 0.01) oraz guzy bez przerzutów do węzłów chłonnych (p < 0.01).
Przedstawione badanie daje nadzieję na poprawę skuteczności badań mammograficznych.
Artykuł „Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study ” jest dostępny w trybie open-access.
AUROC – Area Under the Receiver Operating Characteristic Curve (pl. pole powierzchni pod krzywą ROC), CI – Confidence Interval (pl. przedział ufności).
Badacze porównywali skuteczność samego oprogramowania, samych radiologów, a następnie radiologów korzystających z programu. Zadaniem lekarzy oraz programu była ocena prawdopodobieństwa złośliwości zmiany, jej umiejscowienie oraz decyzja dotycząca ponownego wezwania pacjenta. Do porównania skuteczności oceny zdjęć mammograficznych wykorzystano wartość AUROC dotyczącą prawdopodobieństwa wskazania, że zmiana ma charakter złośliwy.
W przypadku samego programu AUROC wynosiło 0,94 [95% CI: 0,92-0,97] i było istotnie wyższe w porównaniu z wynikami radiologów bez wsparcia programu - 0,81 [95% CI: 0.77-0.85] (p < 0.001). Z pomocą oprogramowania radiolodzy poprawili swoją skuteczność w ocenie mamogramów i AUROC w tym przypadku wyniosło 0,88 [95% CI: 0.85-0.91]. W porównaniu z radiologami program lepiej lepiej wykrywał guzy w stopniu zaawansowania T1 (p < 0.01) oraz guzy bez przerzutów do węzłów chłonnych (p < 0.01).
Przedstawione badanie daje nadzieję na poprawę skuteczności badań mammograficznych.
Artykuł „Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study ” jest dostępny w trybie open-access.
AUROC – Area Under the Receiver Operating Characteristic Curve (pl. pole powierzchni pod krzywą ROC), CI – Confidence Interval (pl. przedział ufności).
