دانشمندان هلندی در نتیجه تحقیقات خود موفق شدند با استفاده از هوش مصنوعی، غربالگری سریع‌تر و به صرفه‌تری در تشخیص افراد ابتلا به سرطان سینه داشته باشند.
جی پلاس، به نقل از مدیکال اکسپرس، بر اساس مطالعه‌ای که در نشریه رادیولوژی منتشر شده است، یک سیستم خودکار که از هوش مصنوعی (AI) استفاده می‌کند، می‌تواند به سرعت و با دقت MRIهای سینه را در زنان دارای سینه‌های متراکم غربال کند تا افراد بدون سرطان را از چرخه نوبت حذف کرده و رادیولوژیست‌ها را برای تمرکز بر موارد پیچیده‌تر یاری دهد.
باشگاه خبرنگاران جوان نوشت؛ ماموگرافی با ارائه تشخیص زودهنگام در مواردی که سرطان قابل درمان است، به کاهش مرگ و میر ناشی از سرطان سینه کمک کرده است. با این حال در زنان با سینه‌های بسیار متراکم نسبت به زنان با سینه‌های چرب حساسیت کمتری دارد. علاوه بر این، زنان با سینه‌های بسیار متراکم سه تا شش برابر بیشتر از زنان با سینه‌های کاملا چرب و دو برابر بیشتر از زنان معمولی در معرض ابتلا به سرطان سینه هستند.
غربالگری تکمیلی در زنان با سینه‌های بسیار متراکم حساسیت تشخیص سرطان را افزایش می‌دهد. تحقیقات انجام شده در مورد بافت متراکم و غربالگری نئوپلاسم اولیه سینه (DENSE)، یک مطالعه بزرگ در هلند، استفاده از غربالگری تکمیلی با MRI را پشتیبانی کرد.
اریک وربرگ، نویسنده ارشد این مطالعه، از موسسه علوم تصویر در مرکز پزشکی دانشگاه اوترخت هلند، می‌گوید: آزمایش DENSE نشان داد که غربالگری MRI اضافی برای زنان با سینه‌های بسیار متراکم مفید است. از سوی دیگر، آزمایش DENSE تایید کرد که اکثریت قریب به اتفاق زنان غربالگری یافته‌های مشکوکی در MRI ندارند.
از آنجایی که اکثر MRIها تغییرات طبیعی آناتومیکی و فیزیولوژیکی را نشان می‌دهند که ممکن است نیازی به بررسی رادیولوژیکی نداشته باشد، راه‌هایی برای اندازه گیری این MRIهای معمولی برای کاهش بار کار رادیولوژیست مورد نیاز است.
در اولین مطالعه در نوع خود، وربرگ و همکارانش به بررسی امکان سنجی یک روش آزمایش خودکار بر اساس یادگیری عمیق، نوعی پیچیده از هوش مصنوعی پرداختند. آن‌ها از داده‌های MRI سینه از آزمایش DENSE برای توسعه و آموزش مدل یادگیری عمیق برای تشخیص سینه‌های با و بدون ضایعات استفاده کردند. این مدل بر روی داده‌های هفت بیمارستان آموزش دیده و بر روی داده‌های یک بیمارستان آزمایش شده است.
بیش از ۴۵۰۰ مجموعه داده MRI از سینه‌های بسیار متراکم گنجانده شد. از ۹ هزار و ۱۶۲ سینه مورد آزمایش، ۸۳۸ نفر حداقل یک ضایعه داشتند که ۷۷ مورد آن بدخیم و ۸ هزار و ۳۲۴ مورد هیچ ضایعه‌ای نداشت.
مدل یادگیری عمیق ۹۰.۷ از MRI های دارای ضایعات را غیر عادی در نظر گرفت و آن‌ها را برای بررسی رادیولوژیکی آزمایش کرد. این مورد حدود ۴۰ درصد از MRI های بدون ضایعه را بدون از بین رفتن هیچ گونه سرطانی حذف کرد.
وربورگ گفت: ما نشان دادیم که می‌توان با خیال راحت از هوش مصنوعی برای رد MRIهای غربالگری سینه بدون از دست دادن هیچ بیماری با تومور بدخیم استفاده کرد. نتایج بهتر از انتظار بود. چهل درصد شروع خوبی است. با این حال، ما هنوز ۶۰ درصد برای بهبود داریم.
وربورگ گفت: سیستم تریاژ مبتنی بر هوش مصنوعی می‌تواند حجم کار رادیولوژیست را به میزان قابل توجهی کاهش دهد. فقط در هلند، تقریبا۸۲۰۰۰ زن می‌توانند بر اساس تراکم سینه، دوسالانه برای غربالگری MRI سینه واجد شرایط باشند.
وربورگ می‌گوید: این رویکرد ابتدا می‌تواند برای کمک به رادیولوژیست‌ها برای کاهش زمان کلی مطالعه مورد استفاده قرار گیرد. در نتیجه زمان بیشتری برای تمرکز بر معاینات واقعا پیچیده MRI سینه در دسترس خواهد بود.
محققان قصد دارند این مدل را در مجموعه‌های داده دیگر معتبر کرده و در دور‌های بعدی آزمایش DENSE به کار گیرند.
