Kvinnor känner till övningen:Bröstcancer är för vanligt att en cancerdiagnos ignoreras, eftersom tidig upptäckt kan göra skillnad. Även om falska positiva kan orsaka en enorm mängd onödig stress, falska negativ har en inverkan på hur tidigt en cancer upptäcks och sedan behandlas.

Tidigare upptäckt kan ge personen fler alternativ för framgångsrik intervention och behandlingar med hennes tillstånd fortfarande i ett tidigt skede.

Ett team på IBM Research har vänt sig till artificiell intelligens för att se om de kan hitta en lösning som uppnår en imponerande nivå av noggrann upptäckt av bröstcancer, och deras resultat är uppmuntrande.

I ett IBM Research Blog -inlägg, IBM Researchs Michal Chorev beskrev teamets mål, insatser och resultat.

Han sa att "som den första algoritmen i sitt slag för att lära sig och fatta beslut från både bilddata och en omfattande patients hälsohistorik, vår modell kunde korrekt förutsäga utvecklingen av bröstcancer i 87 procent av fallen som den analyserade, och kunde också korrekt tolka 77 procent av fallen utan cancer. "

Tillägget av kliniska data till mammogrammen ökade signifikant modellens AUROC och känslighet.

"Utifrån enbart kliniska data, vår modell fick en AUROC på 0,78, förbättra risken för risk för bröstcancer jämfört med vanliga riskmodeller som Gail -modellen. Dessutom, vi kunde identifiera kliniska faktorer som möjligen kan bidra till förhöjd risk och som inte tidigare använts av andra modeller, såsom vita blodkroppsprofiler och sköldkörtelns funktionstester. "

Till att börja med, teamet vid IBM Research - Haifa antog att en modell som kombinerar maskininlärning och djupinlärning kan tillämpas för att bedöma bröstcancer på en nivå som är jämförbar med både radiologer och med förmågan att bli accepterad i klinisk praxis som andra läsare.

Som det blev, det verkar som om att förutsäga bröstcancer med AI med något nära noggrannhet på radiolognivå inte bara var en fantasiflukt.

Dessa IBM -forskares arbete visas i Radiologi och den diskuterar AI -modellen som kan förutsäga utvecklingen av malign bröstcancer hos patienter inom året med gynnsamma noggrannhetsgrader. "Mer exakta förutsägelser kan ha potential att minska antalet kvinnor som skickas för onödiga tester - eller upplever trauman att de i onödan tilldelas hög risk - av traditionella modeller."

Detta skulle inte vara första gången forskning vänder sig till AI för sådana ändamål. Forskare hade redan byggt förutsägelsemodeller baserade på artificiell intelligens, sa Adnan Farooqui in Ubergizmo .

Fingas gjorde skillnad på vad som är nytt om detta arbete. Medan det redan finns AI -förutsägelsemetoder, antingen förlitade de sig på mammogrambilder eller så fokuserade de på journaler. "IBM:s sticker ut genom att använda båda."

Chorev bloggade att detta var "den första algoritmen i sitt slag för att lära sig och fatta beslut både från bilddata och från en omfattande patients hälsohistoria."

Hur omfattande? Svaret ligger i hur IBM utbildade sin AI, med anonymiserade mammografibilder kopplade till biomarkörer (t.ex. reproduktionshistoria) och kliniska data, sa Fingas. Enligt IBM Research -bloggen, de tränade algoritmen den 9, 611 mammogram och hälsojournaler för kvinnor, med två mål:(1) att förutsäga malignitet hos biopsi och (2) skilja normalt från onormala screeningundersökningar.

"Genom IBMs forskningspartners Maccabi Health Services och Assuta Medical Center, två stora vårdgivare i Israel, vårt team kunde få en stor uppsättning avidentifierade, frivilligt samlade mammografibilder som också var kopplade till en rik och detaljerad registrering av motsvarande individs kliniska data - till exempel en historia av eventuella cancerdiagnoser, graviditetshistoria och klimakteriet. "

Vad mer, det fanns egenskaper som man inte skulle upptäcka ensam i bilder, t.ex., järnbrist och sköldkörtelns funktion. Övergripande, skrev Chorev, det här handlar om en "häpnadsväckande mängd data" som ger "en djup informationspool där våra modeller för maskininlärning kan lära sig."

Mängden data gjorde att algoritmerna "kunde ansluta mönster och trender som kanske inte hade varit möjliga annars". Data involverade biopsier, laboratorietester, cancerregister och koder från andra diagnoser och procedurer.

Teamet ser denna AI -modell inte som en ersättning för radiologer utan som en andra uppsättning ögon. Förutom mänskliga bedömningar, "noggrannheten är tillräckligt bra för att den kan fungera som en" andra uppsättning ögon, enligt IBM. "

Det kan verifiera en radiologes prognos och minska risken för att patienter skickas in för onödiga uppföljningstester.

Att analysera mammogram är en utmanande uppgift. Skillnaderna mellan skador och bakgrund kan vara subtila:det finns flera typer av möjliga fynd i form, storlek, Färg, textur och andra faktorer.

Radiologiverksamhet :Även om lagets modell inte nödvändigtvis överträffade radiologer, dess prestanda föll i "det acceptabla utbudet av radiologer för screening av bröstcancer."

För vidare läsning, deras papper "Att förutsäga bröstcancer genom att tillämpa djup inlärning på länkade hälsojournaler och mammogram" visas i Radiologi .

© 2019 Science X Network