Gesundheit

Künstliche Intelligenz könnte genauere Brustkrebs-Diagnosen: System interpretieren kann, Bilder, die eine Herausforderung für ärzte zu klassifizieren

UCLA-Forscher haben eine entwickelte künstliche Intelligenz-system, das helfen könnte, Pathologen Lesen Biopsien genauer und besser zu erkennen und zu diagnostizieren Brustkrebs.

Das neue system, beschrieben in einer Studie, veröffentlicht in JAMA Netzwerk Öffnen, hilft interpretieren von medizinischen Bildern zur diagnose von Brustkrebs, die schwierig sein kann, für das menschliche Auge zu klassifizieren, und es nicht so knapp, wie genau oder besser als erfahrene Pathologen.

„Es ist von entscheidender Bedeutung, um eine korrekte Diagnose von Anfang an so, dass wir die Anleitung von Patienten, um die wirksamsten Behandlungen,“ sagte Dr. Joann Elmore, der die Studie leitende Autor und professor für Medizin an der David Geffen School of Medicine an der UCLA.

Ein 2015 Studie unter der Leitung von Elmore gefunden, die Pathologen oft uneinig über die interpretation von Brust-Biopsien, die durchgeführt werden, auf die Millionen von Frauen jedes Jahr. Diese frühere Forschung zeigte, dass diagnostische Fehler ereigneten sich in etwa alle sechs Frauen, die duktales carcinoma in situ (eine nicht-invasive Art von Brustkrebs), und dass falsche Diagnosen gegeben wurden, in etwa der Hälfte der Biopsie Fälle von Brust-Atypien (abnorme Zellen, die verbunden sind mit einem höheren Risiko für Brustkrebs).

„Medizinische Bilder von Brust-Biopsien enthalten eine große Menge an komplexen Daten und Interpretation können sehr subjektiv“, sagte Elmore, der auch ein Forscher an der UCLA Jonsson Comprehensive Cancer Center. „Die Unterscheidung Brust Atypien von ductal carcinoma in situ ist wichtig, aber klinisch eine große Herausforderung für die Pathologen. Manchmal, ärzte gar nicht einverstanden mit Ihrer bisherigen Diagnose, wenn Sie dargestellt werden, der gleiche Fall ein Jahr später.“

Die Wissenschaftler schlussfolgerten, dass die künstliche Intelligenz könnten, bieten eine genauere Messung und konsequent, da durch ziehen aus einer großen Datenmenge, kann das system erkennen Muster in den Proben, die im Zusammenhang mit Krebs, aber sind schwierig für die Menschen zu sehen.

Das team fed 240 Brust-Biopsie-Bilder in einen computer, der Ausbildung, es zu erkennen Muster in Verbindung mit mehreren Arten von Brust-Läsionen, angefangen von der gutartige (noncancerous) und Atypien zu ductal carcinoma in situ, oder DCIS und invasivem Brustkrebs. Getrennt, die richtigen Diagnosen für jedes Bild wurden bestimmt, indem ein Konsens zwischen den drei Experten-Pathologen.

Um das system zu testen, verglichen die Forscher Ihre Messungen, um unabhängig Diagnosen gemacht von 87 üben US-Pathologen. Während der künstliche-Intelligenz-Programm kam in der Nähe so gut wie menschliche ärzte bei der Differenzierung von Krebs aus nicht-Krebs-Fälle, die AI-Programm besser als die ärzte, wenn die Differenzierung DCIS von Atypien — als die größte Herausforderung bei der Brustkrebs-Diagnose. Das system korrekt ermittelt, ob die scans zeigten DCIS oder Atypien oft mehr als die ärzte; es hatte eine Sensitivität zwischen 0.88 und 0.89, während die Pathologen‘ Durchschnittliche Empfindlichkeit wurde 0.70. (Eine höhere Empfindlichkeit score zeigt eine größere Wahrscheinlichkeit, dass die Diagnose und die Klassifikation korrekt ist.)

„Diese Ergebnisse sind sehr ermutigend“, Elmore sagte. „Es ist die geringe Genauigkeit bei Praktizierenden Pathologen in den USA, wenn es um die Diagnose von Atypien und duktales carcinoma in situ, und die computer-basierten automatisierten Ansatz zeigt großes Versprechen.“

Die Forscher arbeiten nun an der Ausbildung des Systems zum diagnostizieren von Melanomen.

Ezgi Mercan von Seattle ‚ s Children Hospital ist die Studie der erste Autor. Andere Autoren sind Sachin Mehta und Linda Shapiro von der University of Washington, Jamen Bartlett von Southern Ohio Pathologie Berater und Donald Weaver von der Universität von Vermont.

Die Studie wurde unterstützt vom National Cancer Institute der National Institutes of Health.