Model AI inovatif yang dibangunkan oleh Microsoft AI for Good Lab sedang meningkatkan pengesanan kanser payudara pada imbasan MRI, mengatasi kaedah tradisional dan berpotensi mengubah prosedur diagnostik.
Model AI baharu telah dibangunkan untuk merevolusikan pengesanan kanser payudara pada imbasan MRI, dengan ketara meningkatkan ketepatan dalam mengenal pasti lokasi tumor berbanding model penanda aras sedia ada. Alat inovatif ini, dilatih pada dataset besar hampir 10,000 peperiksaan MRI payudara, telah didedahkan dalam satu kajian diterbitkan hari ini dalam jurnal Radiology.
“MRI berbantukan AI berkemungkinan mengesan kanser yang manusia tidak akan dapati sebaliknya,” kata ketua penyiasat Felipe Oviedo, penganalisis penyelidikan kanan di Microsoft AI for Good Lab, dalam satu kenyataan berita.
Cabaran Semasa dalam Pemeriksaan Kanser Payudara
Walaupun pemeriksaan mamografi kekal sebagai standard penjagaan dalam pengesanan kanser payudara, keberkesanannya berkurangan dalam kalangan pesakit dengan tisu payudara yang padat. Payudara padat bukan sahaja meningkatkan risiko kanser tetapi juga merumitkan pengesanan tumor melalui mamografi.
Untuk menangani masalah ini, pakar perubatan sering mengesyorkan MRI payudara sebagai alat pemeriksaan tambahan, terutamanya bagi wanita yang mempunyai payudara padat atau mereka yang berisiko tinggi untuk mendapat kanser.
"MRI lebih sensitif daripada mamografi," tambah Oviedo. "Tetapi ia juga lebih mahal dan mempunyai kadar positif palsu yang lebih tinggi."
Meningkatkan Ketepatan Dengan AI
Memandangkan cabaran ini, pasukan Oviedo bekerjasama dengan penyiasat klinikal dari Jabatan Radiologi Universiti Washington untuk membangunkan model AI yang mampu pengesanan anomali.
Model ini cemerlang dalam membezakan antara data biasa dan tidak normal, membantu membenderakan potensi keganasan untuk siasatan lanjut. Model tradisional telah bergelut dalam bidang ini, selalunya dibina berdasarkan pengagihan data yang tidak realistik yang gagal menunjukkan prestasi yang baik dalam populasi kanser kelaziman rendah.
"Model yang dibangunkan sebelum ini telah dilatih mengenai data yang mana 50% adalah kes kanser dan 50% adalah kes biasa, yang merupakan taburan yang sangat tidak realistik," tambah Oviedo. "Model tersebut tidak dinilai dengan teliti dalam kanser kelaziman rendah atau populasi saringan (di mana 2% daripada semua kes atau kurang adalah kanser), dan mereka juga tidak mempunyai kebolehtafsiran, yang kedua-duanya penting untuk penggunaan klinikal."
Pembangunan dan Pengujian Model AI
Model inovatif itu dilatih menggunakan data daripada hampir 10,000 peperiksaan MRI payudara dipertingkatkan kontras yang menjangkau 17 tahun. Kira-kira 80% daripada pesakit berkulit putih, dengan 42.9% mempunyai payudara yang padat secara heterogen dan 11.6% mempunyai payudara yang sangat padat.
Tidak seperti model klasifikasi binari, alat pengesanan anomali ini belajar daripada perwakilan yang mantap bagi kes-kes jinak, meningkatkan keupayaannya untuk menandakan keganasan yang tidak normal walaupun kurang diwakili semasa latihan.
"Model kami memberikan penjelasan tahap piksel yang boleh difahami tentang perkara yang tidak normal pada payudara," tambah Oviedo. "Peta haba anomali ini boleh menyerlahkan kawasan yang berpotensi menjadi kebimbangan, membolehkan ahli radiologi memberi tumpuan kepada peperiksaan yang lebih berkemungkinan kanser."
Model AI menjalani ujian ketat pada set data dalaman dan luaran, termasuk peperiksaan MRI payudara pra-rawatan dari pelbagai pusat. Model pengesanan anomali tepat menentukan lokasi tumor dan mengatasi model penanda aras sedia ada merentas kumpulan pengesahan dan tugas pengesanan yang berbeza.
Implikasi untuk Amalan Klinikal
Jika disepadukan ke dalam aliran kerja radiologi, alat AI ini boleh meningkatkan kecekapan pemeriksaan MRI payudara dengan ketara dengan mengecualikan imbasan biasa untuk tujuan triage dan memfokuskan pada yang mungkin tidak normal. Ini boleh menyelaraskan proses diagnostik, membolehkan ahli radiologi mengutamakan kes kanser yang lebih berkemungkinan.
Jalan ke Depan
Sebelum penggunaan klinikal, model itu memerlukan penilaian ke atas set data yang lebih besar dan kajian prospektif untuk memastikan sepenuhnya potensinya dalam meningkatkan aliran kerja ahli radiologi dan berpotensi menyelamatkan nyawa melalui pengesanan awal kanser payudara yang lebih tepat.