Anonim

NEW YORK (Reuters Health) - Ein von schwedischen Forschern entwickeltes Modell eines tiefen neuronalen Netzwerks kann das Brustkrebsrisiko einer Frau genauer vorhersagen als ein Standard-Risikomodell, das auf der Mammographiedichte basiert.

Im Vergleich zum besten Mammographiedichtemodell zeigte das tiefe neuronale Netzwerk "ein höheres Risiko für Brustkrebs und machte weniger Fehler bei Frauen mit aggressiverem Krebs", sagte Dr. Karin Dembrower vom Karolinska-Institut in Stockholm gegenüber Reuters Health per E-Mail.

"Die Hinzufügung der Mammographiedichte hat die traditionellen Brustkrebsrisikomodelle verbessert. In unserer Studie haben wir untersucht, ob ein Deep-Learning-Ansatz (DL) weitere risikorelevante Informationen aus den Bildern extrahieren kann", stellen Dr. Dembrower und Kollegen in der Radiologie fest.

Sie entwickelten und trainierten ihr neuronales Netzwerk anhand von Mammogrammdaten von mehr als 2.200 Frauen, von denen 278 später mit Brustkrebs diagnostiziert wurden.

Frauen, die an Brustkrebs erkrankten, waren bei der Mammographie signifikant älter (55, 7 Jahre gegenüber 54, 6 Jahre), hatten eine höhere Brustdichte (38, 2 cm2 gegenüber 34, 2 cm2) und eine höhere prozentuale Brustdichte (25, 6% gegenüber 24, 0%).

Der DL-Risiko-Score konnte besser vorhersagen, bei welchen Frauen ein Risiko für künftigen Brustkrebs besteht (Odds Ratio 1, 56; Fläche unter der Betriebskennlinie des Empfängers 0, 65), verglichen mit der altersbereinigten dichten Fläche (OR 1, 31; AUC 0, 60). .

Darüber hinaus war die falsch-negative Rate für den DL-Risiko-Score niedriger als die für altersbereinigte dichte Gebiete, insbesondere für aggressive Krebsarten; Die falsch-negative Rate für lymphknotenpositiven Brustkrebs betrug 31% für den DL-Risiko-Score gegenüber 42% für den altersbereinigten dichten Bereich.

"Der nächste Schritt", sagte Dr. Dembrower gegenüber Reuters Health, "besteht darin, den Algorithmus in einer klinischen prospektiven Studie zu testen, die wir in Stockholm planen, und ihn mit Algorithmen zur computergestützten Tumorerkennung zu kombinieren."

In Zukunft ist sie "davon überzeugt, dass Werkzeuge für künstliche Intelligenz (KI) klinischer eingeführt werden, sowohl zur Risikoprognose als auch zur Tumordetektion. KI-Werkzeuge werden wahrscheinlich zu einer tieferen Analyse der Bilder beitragen und die Arbeitsbelastung für reduzieren Brustradiologen. "

Die Studie hatte keine kommerzielle Finanzierung und die Autoren haben keine relevanten Interessenkonflikte offengelegt.

QUELLE: http://bit.ly/2rNoF2Z Radiologie, online 17. Dezember 2019.