Machines bewapend met kunstmatige intelligentie kunnen artsen op een dag helpen om beter risicovolle borstletsels te identificeren die kanker kunnen worden, suggereert nieuw onderzoek.

Meer informatie: waarom uw borstkanker misschien wordt gemist

Hoog-risico borstletsels zijn abnormale cellen gevonden in een borstbiopsie. Deze laesies vormen een uitdaging voor artsen en patiënten. De cellen in dergelijke laesies zijn niet normaal, maar ze zijn ook niet kankerachtig. En hoewel ze zich kunnen ontwikkelen tot kanker, doen velen dat niet. Dus, welke moeten worden verwijderd?


"De beslissing over het al dan niet doorgaan naar een operatie is een uitdaging, en de neiging is om deze laesies agressief te behandelen [en ze te verwijderen]", zei studie-auteur Dr. Manisha Bahl.

"We vonden dat er een betere manier moest zijn om deze laesies te stratificeren," voegde Bahl toe, directeur van het fellowship-programma voor borstbeeldvorming in het Massachusetts General Hospital.

In nauwe samenwerking met computerwetenschappers van het Massachusetts Institute of Technology ontwikkelden onderzoekers een "machine-learning" -model om laesies met een hoog risico die chirurgisch verwijderd moeten worden, te onderscheiden van die laesies die na verloop van tijd kunnen worden bekeken.


Machine learning is een soort kunstmatige intelligentie. Het computermodel leert en verbetert automatisch op basis van eerdere ervaringen, legden de onderzoekers uit.

De onderzoekers gaven de machine veel informatie over vastgestelde risicofactoren, zoals het type laesie en de leeftijd van de patiënt. De onderzoekers gaven het ook de eigenlijke tekst uit het biopsierapport. In totaal waren er 20.000 gegevenselementen in het model opgenomen, aldus de onderzoekers.

De test van het machine-learning model bevatte informatie van iets meer dan 1.000 vrouwen met een hoog risico laesie. Ongeveer 96 procent van deze vrouwen had hun laesie operatief verwijderd. Ongeveer 4 procent van de vrouwen liet hun laesies niet verwijderen, maar had in plaats daarvan twee jaar follow-up beeldvormingstests.


Het model werd getraind met tweederde van de gevallen en getest op het resterende derde.

De test omvatte 335 laesies. De machine identificeerde correct 37 van de 38 laesies (97 procent) die zich hadden ontwikkeld tot kanker, aldus de studie. Het model zou ook vrouwen hebben geholpen om een ​​derde van de operaties aan laesies te vermijden die tijdens de follow-upperiode goedaardig zouden zijn gebleven.

Bovendien zei Bahl: 'het model heeft tekst overgenomen in het biopsierapport - de woorden ernstig en ernstig atypisch gaven een hoger risico op een upgrade naar kanker.'

Bahl zei dat de onderzoekers hopen mammografiebeelden en pathologiedia's in het machine learning-model op te nemen, met als doel dit uiteindelijk in de klinische praktijk op te nemen.

"Machinaal leren is een hulpmiddel dat we kunnen gebruiken om de patiëntenzorg te verbeteren - of dat nu gaat om het verminderen van onnodige operaties of het kunnen verstrekken van meer informatie aan patiënten zodat zij beter geïnformeerde beslissingen kunnen nemen," zei Bahl.

Dr. Bonnie Litvack is medisch directeur van het beeldvormingscentrum voor vrouwen in het Northern Westchester Hospital in Mt. Kisco, N.Y.

"Vrouwen moeten weten dat er een nieuw type machinaal leren is dat ons heeft geholpen risicovolle laesies met een laag risico op kanker te identificeren. En misschien hebben we binnenkort meer informatie voor hen wanneer ze worden geconfronteerd met de beslissing om een ​​operatie te ondergaan om deze risicovolle laesies te verwijderen of niet, "zei Litvak, die niet bij de studie betrokken was.

"Kunstmatige intelligentie is een opwindend veld dat ons zal helpen vrouwen meer gegevens te geven en te helpen bij gedeelde besluitvorming," voegde Litvack eraan toe.

De studie werd gepubliceerd 17 oktober in Radiologie.


How we teach computers to understand pictures | Fei Fei Li (September 2021).