هوش مصنوعی از مدل ریسک استاندارد برای پیش بینی سرطان سینه بهتر عمل می کند

در یک مطالعه بزرگ بر روی هزاران ماموگرافی، الگوریتم‌های هوش مصنوعی (AI) از مدل ریسک بالینی استاندارد برای پیش‌بینی خطر ابتلا به سرطان سینه در طول پنج سال عملکرد بهتری داشتند. نتایج این مطالعه در رادیولوژی.

خطر ابتلا به سرطان پستان در زنان معمولاً با استفاده از مدل‌های بالینی مانند مدل خطر کنسرسیوم نظارت بر سرطان پستان (BCSC) محاسبه می‌شود که از اطلاعات خود گزارش شده و سایر اطلاعات مربوط به بیمار – از جمله سن، سابقه خانوادگی بیماری، و اینکه آیا بیمار داده است یا خیر، استفاده می‌کند. تولد، و اینکه آیا او سینه های متراکم دارد – برای محاسبه امتیاز خطر.

Vignesh A. Arasu، محقق ارشد، MD، Ph.D.، دانشمند محقق و رادیولوژیست در Kaiser Permanente شمالی کالیفرنیا، گفت: «مدل های خطر بالینی به جمع آوری اطلاعات از منابع مختلف بستگی دارد، که همیشه در دسترس یا جمع آوری نمی شود. پیشرفت‌های اخیر در یادگیری عمیق هوش مصنوعی توانایی استخراج صدها تا هزاران ویژگی ماموگرافی اضافی را به ما می‌دهد.

در مطالعه گذشته نگر، دکتر آراسو از داده های مرتبط با ماموگرافی های دو بعدی غربالگری منفی (که شواهد قابل مشاهده ای از سرطان نشان نمی دهد) در Kaiser Permanente شمالی کالیفرنیا در سال 2016 استفاده کرد. از 324009 زن غربالگری شده در سال 2016 که معیارهای واجد شرایط بودن را داشتند، یک گروه فرعی تصادفی بود. از 13628 زن برای تجزیه و تحلیل انتخاب شدند. علاوه بر این، تمام 4584 بیمار از استخر واجد شرایط بودن که طی پنج سال پس از ماموگرافی اولیه 2016 به سرطان مبتلا شده بودند نیز مورد مطالعه قرار گرفتند. همه زنان تا سال 2021 دنبال شدند.

دکتر آراسو گفت: “ما از کل سال ماموگرافی غربالگری انجام شده در سال 2016 انتخاب کردیم، بنابراین جمعیت مورد مطالعه ما نماینده جوامع در کالیفرنیای شمالی است.”

محققان دوره پنج ساله مطالعه را به سه دوره زمانی تقسیم کردند: خطر ابتلا به سرطان با فاصله، یا سرطان های اتفاقی که بین 0 تا 1 سال تشخیص داده شدند. خطر ابتلا به سرطان در آینده، یا سرطان های اتفاقی که بین یک تا پنج سال تشخیص داده می شوند. و همه خطر سرطان یا سرطان های اتفاقی که بین 0 تا 5 سال تشخیص داده شده اند.

با استفاده از ماموگرافی غربالگری 2016، نمرات خطر ابتلا به سرطان پستان در طول دوره پنج ساله توسط پنج الگوریتم هوش مصنوعی، شامل دو الگوریتم آکادمیک مورد استفاده توسط محققان و سه الگوریتم تجاری موجود، ایجاد شد. سپس نمرات خطر با یکدیگر و با امتیاز خطر بالینی BCSC مقایسه شد.

دکتر آراسو گفت: «هر پنج الگوریتم هوش مصنوعی بهتر از مدل خطر BCSC برای پیش‌بینی خطر سرطان سینه در 0 تا 5 سال عمل کردند. این عملکرد پیش‌بینی‌کننده قوی در دوره پنج ساله نشان می‌دهد که هوش مصنوعی هم سرطان‌های از دست رفته و هم ویژگی‌های بافت سینه را شناسایی می‌کند که به پیش‌بینی پیشرفت سرطان در آینده کمک می‌کند. چیزی در ماموگرافی به ما امکان می‌دهد خطر سرطان سینه را ردیابی کنیم. این «جعبه سیاه» هوش مصنوعی است. ”

برخی از الگوریتم‌های هوش مصنوعی در پیش‌بینی بیمارانی که در معرض خطر بالای ابتلا به سرطان دوره‌ای هستند، که اغلب تهاجمی است و ممکن است به مطالعه دوم ماموگرافی، غربالگری تکمیلی یا تصویربرداری پیگیری کوتاه مدت نیاز داشته باشد، عالی عمل می‌کنند. هنگام ارزیابی زنان با بالاترین 10 درصد خطر به عنوان مثال، هوش مصنوعی تا 28 درصد از سرطان ها را در مقایسه با 21 درصد پیش بینی شده توسط BCSC پیش بینی کرد.

حتی الگوریتم‌های هوش مصنوعی که برای افق‌های زمانی کوتاه (تا 3 ماه) آموزش داده شده بودند، می‌توانستند خطر ابتلا به سرطان در آینده را تا پنج سال پیش‌بینی کنند، زمانی که هیچ سرطانی از نظر بالینی با غربالگری ماموگرافی تشخیص داده نشد. در صورت استفاده ترکیبی، مدل‌های خطر هوش مصنوعی و BCSC پیش‌بینی سرطان را بیشتر بهبود بخشیدند.

دکتر آراسو گفت: “ما به دنبال ابزاری دقیق، کارآمد و مقیاس پذیر برای درک خطر ابتلا به سرطان سینه در زنان هستیم.” مدل‌های خطر هوش مصنوعی مبتنی بر ماموگرافی مزایای عملی را نسبت به مدل‌های خطر بالینی سنتی ارائه می‌کنند، زیرا از یک منبع داده استفاده می‌کنند: خود ماموگرافی.

دکتر آراسو گفت که برخی از موسسات در حال حاضر از هوش مصنوعی برای کمک به رادیولوژیست ها برای تشخیص سرطان در ماموگرافی استفاده می کنند. امتیاز خطر آینده یک فرد، که چند ثانیه طول می کشد تا هوش مصنوعی ایجاد شود، می تواند در گزارش رادیولوژی به اشتراک گذاشته شده با بیمار و پزشکش ادغام شود.

او گفت: «هوش مصنوعی برای پیش‌بینی خطر سرطان به ما این فرصت را می‌دهد که مراقبت‌های هر زن را فردی کنیم، که به طور سیستماتیک در دسترس نیست.» “این ابزاری است که می تواند به ما کمک کند تا داروی شخصی و دقیق را در سطح ملی ارائه کنیم.”