Согласно новому исследованию, опубликованному в журнале Radiology, инструмент машинного обучения может помочь определить, какие поражения груди с высоким риском могут стать злокачественными. Исследователи заявили, что эта технология может сократить количество ненужных операций.
Поражения груди с высоким риском – это поражения, диагностированные при биопсии, которые несут повышенный риск развития рака. Из-за этого риска хирургическое удаление часто является предпочтительным вариантом лечения. Тем не менее, многие поражения высокого риска не представляют непосредственной угрозы для жизни пациента и могут быть безопасно отслежены с помощью последующих изображений, что избавляет пациентов от затрат и осложнений, связанных с хирургическим вмешательством.
«Существуют разные типы поражений высокого риска», – сказал автор исследования и радиолог Маниша Бахл, М.D., M.п.ЧАС., из Массачусетской больницы общего профиля (MGH) и Гарвардской медицинской школы в Бостоне. «Большинство учреждений рекомендуют хирургическое удаление при поражениях с высоким риском, таких как атипичная гиперплазия протоков, для которых риск перехода в рак составляет около 20 процентов. Для других типов поражений с высоким риском риск обновления довольно сильно варьируется в литературе, и ведение пациентов, включая решение о том, удалять или обследовать поражение, варьируется в зависимости от практики.”
Доктор. Бахл и его коллеги из MGH изучили использование инструмента машинного обучения для выявления поражений с высоким риском, которые имеют низкий риск перехода в рак. Исследование стало результатом тесного сотрудничества между исследователями Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (MIT) в Кембридже, штат Массачусетс., и специалисты по визуализации груди в MGH.
«Поскольку диагностические инструменты неточны, у врачей есть понятная тенденция чрезмерно проверять наличие рака груди», – сказала соавтор Регина Барзилай, доктор философии.D., профессор электротехники и компьютерных наук Delta Electronics в Массачусетском технологическом институте. “Когда в данных существует такая большая неопределенность, машинное обучение – это именно тот инструмент, который нам нужен для улучшения обнаружения и предотвращения чрезмерной обработки.”
Машинное обучение – это тип искусственного интеллекта, при котором модель автоматически обучается и совершенствуется на основе предыдущего опыта. Модель, разработанная исследователями, проанализировала традиционные факторы риска, такие как возраст пациента и гистологию поражения, а также несколько уникальных особенностей, включая слова, которые появляются в тексте отчета о патологии биопсии. Исследователи обучили модель на группе пациентов с подтвержденными биопсией поражениями высокого риска, перенесших операцию или по крайней мере двухлетнее наблюдение. Из 1006 выявленных очагов высокого риска 115, или 11 процентов, были преобразованы в рак.
После обучения модели машинного обучения на двух третях поражений высокого риска исследователи протестировали ее на оставшихся 335 поражениях. Модель правильно предсказала 37 из 38 поражений, или 97 процентов, которые были преобразованы в рак. Исследователи также обнаружили, что использование модели помогло бы избежать почти трети доброкачественных операций.
Модель машинного обучения определила термины «серьезно» и «крайне атипичны» в тексте отчетов о патологии как связанные с повышенным риском перехода на рак.
«Наше исследование представляет собой« доказательство концепции »того, что машинное обучение может не только сократить количество ненужных операций почти на треть в этой конкретной группе пациентов, но также может поддерживать более целенаправленные, персонализированные подходы к уходу за пациентами», – сказала старший автор статьи Констанс. Леман, М.D., Ph.D., профессор Гарвардской медицинской школы и директор отделения визуализации груди MGH.
«Наша цель – применить этот инструмент в клинических условиях, чтобы помочь принимать более обоснованные решения относительно того, какие пациенты будут находиться под наблюдением, а какие – в хирургии», – сказал доктор. Бахл добавлен. “Я считаю, что мы можем извлечь выгоду из машинного обучения, чтобы информировать о принятии клинических решений и в конечном итоге улучшить уход за пациентами.”