Medikaynak Search
Üye Ol Üye Giriş
Medikaynak Menü
Üye Olun / Giriş Yapın Medikaynak Icon
Artboard
Medikaynak Rxmediapharma

Araştırmacılar, dijital meme tomosentezi (DMT) görüntülerinin büyük bir veri kümesinin, meme kanseri görüntülemesi için kullanılan yapay zekâ algoritmalarının geliştirilmesine yardımcı olması gerektiğini bildirdi. 5.060 hastanın 5.610 çalışmasıyla ilişkili farklı kaynaklardan elde edilmiş 22.032 DMT’den oluşan veri seti, JAMA Network Open'da çevrimiçi olarak yayınlandı.

Çalışmalar tiplere ayrıldı: normal çalışmalar (%91,4), ek görüntüleme gerektiren ancak biyopsi gerektirmeyen eyleme geçirilebilir çalışmalar (%5,0), iyi huylu biyopsi sonuçlu çalışmalar (%2,0) ve kanser tespit eden çalışmalar (%1,6).

Araştırmacılar, yapısal çarpıklıkları ve kitleleri tespit etmek için derin öğrenme modellerini geliştirme ve değerlendirme için kanserli 418 hastadan 460 çalışmadan oluşan bir test seti kullandılar. Algoritmaları, DMT başına iki yanlış pozitif veya %65 oranında meme bazlı duyarlılığa ulaşmıştır.

Northcarolina Durham'daki Duke Radyoloji Yapay Zeka Merkezi'nin bilimsel direktörü, baş araştırmacı Dr. Maciej A. Mazurowski," bu yayının ana odağı, belirli bir hipotezden ziyade veri kümesidir " demiştir.

Medscape Medical News’e "5000'den fazla hasta için, bazen 3 boyutlu (3B) mamografi olarak adlandırılan büyük bir dijital meme tomosentez görüntüsü veri kümesini herkese açık olarak paylaştık. Bu gibi verileri paylaşmanın iki amacı vardır. Bunlardan biri, makine-öğrenimi algoritmalarının araştırma ve geliştirilmesini iyileştirmektedir. Modelleri bu verilerle eğitebilirsiniz. Diğer neden, daha da önemli olabilir, algoritmaları test etmek için bir kriter sağlamaktır " demiştir.

Mazurowski, büyük ölçekli veri paylaşımının bilimde şeffaflığa doğru atılmış önemli bir adım olduğunu söyledi. "Sonuçların kolayca yeniden üretilebileceğinden emin olmak ve ölçütler belirlemekle ilgili." Veri seti, iki deneyimli radyolog tarafından değerlendirilen kitleleri ve yapısal çarpıklıkları içerirken kalsifikasyonlar ve/veya mikrokalsifikasyonlar için ek açıklamalar içermemektedir.

Kanada Meme Görüntüleme Derneği Başkanı ve Ontario Meme Tarama Programının bölgesel lideri ve Kanada Ottawain Ontario Üniversitesi'nde radyoloji profesörü olan Jean Seely, kalsifikasyonların belirlenmemesinin çalışmanın bir sınırlaması olduğunu söyledi. "İnvaziv meme kanserlerinin yaklaşık %45'i kalsifikasyonlara dayanarak teşhis ediliyor" diye açıklamıştır.

Seely, yapay zekâ algoritmasının duyarlılığının yüksek olmamasına (%65) — 2 Boyutlu mamografinin ortalama duyarlılığının %85 olmasına rağmen— araştırmacıların bu kadar büyük bir veri kümesini yayınladıkları için övgüyü hak ettiklerini söylemiştir.

"Kamuya açık hale getirdikleri gerçekler çok, çok yararlı" dedi ve veri kümesinin gelecekteki meme görüntüleme araştırmalarında kullanılabileceğini de sözlerine ekledi. Her ne kadar DMT meme kanserlerini tanımlamada mamografiden çok daha iyi olsa da DMT verilerini okumak yaklaşık %30 daha fazla zaman almaktadır.

"Meme görüntülemede yapay zeka konusunda sadece meme radyologlarının iş akışını iyileştirmek için değil, aynı zamanda tanı ve saptamaya yardımcı olmak için çok fazla çalışma yapılıyor" ve "Radyoloğun güvenini ve doğruluğunu artırmaya yardımcı olan her şey şu anda hedeflediğimiz şey." yorumu yapılmıştır.

Kanada radyologlar Birliği'nde Yapay Zekâ Daimî Komitesi Başkanı ve Ontario Londra’daki Western Üniversitesi tıbbi görüntüleme Bölümü'nden MD Jaron Chong, bu veri setinin büyüklüğü ve içeriğinin meme görüntüleme araştırmalarına katkıda bulunacağını söylemiştir. Chong," DMT, geleneksel 2B mamografiye kıyasla nadir bir veri kümesi olduğundan, katkı uzun vadede değerli olabilir " dedi. "Mevcut veri kümelerinin çoğu iki boyutlu görüntülemeye odaklandı. Gelecekte bu veri kümesine referans veren, bu makalenin algoritma performansını yineleyen ve geliştiren daha fazla araştırma makalesi görebiliriz."

Medikaynak Referanslar

A Data Set and Deep Learning Algorithm for the Detection of Masses and Architectural Distortions in Digital Breast Tomosynthesis Images Mateusz Buda, MSc; Ashirbani Saha, PhD; RuthWalsh, MD; Sujata Ghate, MD; Nianyi Li, PhD; Albert Święcicki, BSc; Joseph Y. Lo, PhD; Maciej A. Mazurowski, PhD JAMA Netw Open. Published online August 16, 2021. 

+ Tüm Referansları Göster
  1. Benzer İçerikler