Авторы исследования под руководством доктора Марка Лоббеса, доктора философии, из Медицинского центра Маастрихтского университета в Нидерландах, также обнаружили, что их алгоритм в сочетании с моделями радиомикродинамики, созданными вручную, обеспечивает хорошие диагностические характеристики.

«Наша модель идентификации и классификации работала на уровне, который сделал бы ее потенциально обобщаемой», — написали Лоббс и его коллеги.

В то время как модели глубокого обучения и радиомикрометрические модели, созданные вручную, показали себя хорошо по отдельности для визуализации молочной железы, исследователи отметили недостаток данных об их совместной эффективности.

Примеры изображений показывают маммограммы с контрастным усилением правильного обнаружения подозрительных кальцинатов с помощью модели глубокого обучения. (A, C, D) Низкоэнергетические изображения в левой молочной железе 58-летней женщины показывают небольшое скопление тонких кальцинатов (контуры [зеленый для истинности, желтый для прогноза] на C; стрелки на C и D ), обнаруженный с помощью модели глубокого обучения, с тонким усилением без масс в месте кальцификации на рекомбинированном изображении (B). Последующая стереотаксическая вакуум-ассистированная биопсия толстой иглы показала карциному протоков in situ (DCIS). Изображения и подпись предоставлены RSNA.

Лоббс и его коллеги тренировали свое глубокое обучение с помощью повторно обработанных низкоэнергетических и рекомбинированных изображений для автоматической идентификации, сегментации и классификации поражений. Исследователи хотели протестировать свой всеобъемлющий инструмент на изображениях CEM женщин, которых отозвали. Они также обучили созданную вручную модель радиомики для классификации поражений, сегментированных как у человека, так и при глубоком обучении, и объединили ее с моделью глубокого обучения.

Группа включила ретроспективные данные 1601 женщины. Он использовал изображения CEM подозрительных поражений груди для обучающей выборки из 850 женщин и тестовой выборки из 212 женщин для модели глубокого обучения. Модель идентифицировала 99% поражений по внешнему набору данных (n = 279 женщин).

Исследователи обнаружили, что во внешнем наборе данных модель глубокого обучения достигла чувствительности идентификации поражения 90% и 99% на уровне изображения и пациента соответственно. Он также достиг среднего коэффициента Dice 0,71 и 0,8 на вышеупомянутых уровнях соответственно.

Кроме того, команда сообщила, что модель глубокого обучения в сочетании с моделью радиомикродинамики, созданной вручную, достигла площади под кривой (AUC) 0,88 при использовании ручной сегментации. При использовании сегментации, созданной методом глубокого обучения, комбинированная модель показала AUC 0,95.

Авторы исследования предположили, что одним из будущих направлений поддержки использования модели является проведение последующего исследования, заменяющего изображения CEM полноформатными цифровыми маммографическими изображениями и сравнение результатов.

В сопроводительной редакционной статье д-р Маниша Бал и Синхо До, доктор философии, из Массачусетской больницы общего профиля написали, что, поскольку методы ИИ для CEM представляют собой «неизведанную территорию», необходимы дальнейшие исследования. Они добавили, что это может помочь устранить текущие недостатки в этой области, проверить модели в различных практиках и поставщиках CEM, а также оценить их влияние на реальную клиническую практику.

Соавторы также написали, что методы глубокого обучения «не должны полагаться» на радиомику ручной работы, поскольку включение таких функций в модели глубокого обучения может привести к предвзятости человека.

Полностью исследование можно найти здесь .

Источник