MIT (Massachusetts Institute of Technology) putem laboratorija za informatiku i vještačke inteligencije (CSAIL) i Opšte bolnice Massachusetts (MGH) stvorio je novi model dubokog učenja (izraz koji se koristi za vještačku inteligenciju) koji može predvidjeti mamografijom ako će pacijentica vjerovatno razviti karcinom dojke kroz narednih pet godina.
Obučen na uređajima za mamografiju i poznatim ishodima preko 60 hiljada bolesnika MGH-om, model je naučio prepoznavati suptilne uzorke tkiva dojke koji prethode malignom tumoru.
Profesorica MIT-a Regina Barzilay, preživjela karcinom dojke, kaže kako se nada da će ovakvi sistemi omogućiti doktorima da prilagode programe i prevenciju na pojedinačnoj razini, čineći da kasna dijagnoza postane stvar prošlosti. Iako se pokazalo da mamografija smanjuje smrtnost od raka dojke, nastavlja se rasprava o tome koliko se često treba pregledavati i kada započeti.
Dok Američko društvo za borbu protiv raka preporučuje godišnje snimanje koje počinje već u 45. godini, Američka preventivna skupina preporučuje svake dvije godine počevši od 50. godine. “Umjesto da se jednostruko pristupa svima, može se personalizovatiirati učestalost snimanje prema ženinom riziku od razvoja raka”, kaže Barzilay, dodajući: „Na primjer, doktor može preporučiti da jedna grupa svake godine dobije mamografski pregled, dok druga grupa visokog rizika može dobiti dodatnih MR pregled.“
Kako djeluje?
Umjesto da ručno identifikuju obrasce u uređaju za mamografiju koji pokreću budući karcinom, tim MIT / MGH osposobio je model dubokog učenja za zaključivanje obrazaca direktno iz podataka. Koristeći informacije više od 90 000 mamograma, model je otkrio uzorke previše suptilne da bi ih ljudsko oko moglo otkriti. “Od 1960-ih radiolozi su primijetili da žene imaju jedinstvene i široko promjenjive uzorke tkiva dojke vidljive na mamografu”, kaže Lehman, dodajući: „Ovi obrasci mogu predstavljati uticaj genetike, hormona, trudnoće, dojenja, ishrane, gubitka težine i debljanja. Sada možemo iskoristiti ove detaljne podatke kako bi bili precizniji u našoj procjeni rizika na pojedinačnoj razini. “
