Περισσότερες από μισό εκατομμύριο γυναίκες πεθαίνουν ετησίως από καρκίνο του μαστού παγκοσμίως σύμφωνα με τα στοιχεία του Ερευνητικού Ινστιτούτου για τον καρκίνο του μαστού. Ο τακτικός προσυμπτωματικός έλεγχος οδηγεί σε έγκαιρη διάγνωση της νόσου και επιτυγχάνει μείωση της θνησιμότητας κατά 30% περίπου.
Τα τελευταία χρόνια η τεχνητή νοημοσύνη εφαρμόζεται ολοένα και περισσότερο στην ιατρική απεικόνιση με υπεροχή αυτής στη μαστογραφία, στη τομοσύνθεση αλλά και στους υπερήχους προσφέροντας με ακρίβεια τον εντοπισμό αλλά και χαρακτηρισμό αλλοιώσεων ανάμεσα σε “καλοήθη” ή “κακοήθη” ευρήματα. Η μαστογραφία είναι η πιο αποτελεσματική εξέταση στην πρώιμη διάγνωση του καρκίνου μαστού, εντοπίζοντας το 75% περίπου των καρκίνων περίπου έναν χρόνο πριν να δώσουν κλινικά συμπτώματα. Παρά τα αυστηρά κριτήρια ελέγχου ποιότητος (QA) και τη χρήση εξοπλισμού υψηλής τεχνολογίας, οι ακτινολόγοι δεν καταφέρνουν πάντα να βρίσκουν έγκαιρα τον καρκίνο μαστού. Ένας αριθμός βλαβών δεν εντοπίζεται ή αξιολογείται λάθος από τους ακτινολόγους, γεγονός που οδηγεί σε καθυστερημένη αντιμετώπιση (με αποτέλεσμα εντονότερες θεραπείες και μειωμένη επιβίωση). Η ανάγνωση των μαστογραφιών από δύο ακτινολόγους μειώνει τα σφάλματα, αλλά οδηγεί σε αυξημένο κόστος και διαχειριστικές δυσκολίες.
Σύμφωνα με το Hellenic Medical Review, η επανάσταση της Τεχνητής Νοημοσύνης (AI) στα υπολογιστικά συστήματα, που στηρίζεται στη βαθιά μάθηση (Deep Learning) και στα συνελικτικά νευρωνικά δίκτυα (CNN), βρίσκει σημαντικές εφαρμογές στο πεδίο της αυτοματοποιημένης ανίχνευσης καρκίνου του μαστού και παρέχει πολλές υποσχέσεις για βελτίωση της διάγνωσης. τα συνελικτικά νευρωνικά δίκτυα βαθιάς μάθησης (DL-CNN) πραγματοποιούν την επεξεργασία μιας εικόνας σε πολλαπλά διαδοχικά επίπεδα, συνδυάζοντας τα δεδομένα. Η σύνθεση αυτών των πληροφοριών επιτυγχάνει την αναγνώριση της κακοήθειας. Ο προσδιορισμός των χαρακτηριστικών της εικόνας, που είναι ενδεικτικές της βλάβης, πραγματοποιείται από τον ίδιο τον αλγόριθμο κατά τη διάρκεια της εκπαίδευσής του και όχι από τον άνθρωπο-προγραμματιστή. Ο αλγόριθμος δεν διδάσκεται, αλλά αυτοεκπαιδεύεται. Για την εκπαίδευσή του χρησιμοποιούνται βάσεις δεδομένων από μεγάλα νοσοκομεία, που περιέχουν τουλάχιστον 10.000 φυσιολογικές μαστογραφίες και 10.000 μαστογραφίες με καρκίνους (το 1/3 αποτελούν βλάβες με αποτιτανώσεις). Το σύστημα βελτιώνεται συνεχώς, τροφοδοτούμενο με νέα περιστατικά. Ο αλγόριθμος υποδεικνύει στον ακτινολόγο τη βλάβη (ή τις βλάβες) και την αξιολογεί παρέχοντας ένα Lesion Score (πιθανότητα κακοήθειας) ανά βλάβη. Επίσης, παρέχει ένα συνολικό Case Score, που συνυπολογίζει το σύνολο των βλαβών της εξέτασης. Το Case Score ταξινομεί τις εξετάσεις από τις πλέον «ύποπτες» έως τις «φυσιολογικές», επιτυγχάνοντας μείωση του μέσου χρόνου ανάγνωσης ανά περιστατικό κατά περίπου 5%. Η ΑΙ βελτιώνει την απόδοση των ακτινολόγων που έχουν μικρότερη εμπειρία στη μαστογραφία, υποβοηθώντας στην αξιολόγηση των αμφίβολων και δύσκολων περιστατικών.
Η Ουγγαρία, η οποία διαθέτει ένα πολύ καλά δομημένο πρόγραμμα εξετάσεων και ελέγχου για τον καρκίνο του μαστού, είναι πρωτοπόρα στην εφαρμογή αυτής της τεχνολογίας σε πραγματικούς ασθενείς. Από το 2021, τα συστήματα τεχνητής νοημοσύνης, εισήχθησαν σε πέντε νοσοκομεία και κλινικές – που πραγματοποιούν περισσότερες από 35.000 ακτινογραφίες ετησίως- και τώρα βοηθούν στον εντοπισμό σημείων και ιχνών καρκίνου που μπορεί ο ακτινολόγος να έχει παραβλέψει. Κλινικές και νοσοκομεία στις Ηνωμένες Πολιτείες, τη Βρετανία και την Ευρωπαϊκή Ένωση αρχίζουν επίσης να δοκιμάζουν ή να παρέχουν δεδομένα για να βοηθήσουν στην ανάπτυξη τέτοιων συστημάτων.
Σε πολυκεντρική μελέτη 2.652 εξετάσεων (με 653 κακοήθειες), που γνωματεύθηκαν παράλληλα από 101 ακτινολόγους και από 4 συστήματα Τεχνητής Νοημοσύνης, παρατηρήθηκε ότι η απόδοση των συστημάτων τεχνητής νοημοσύνης δεν ήταν κατώτερη από αυτήν του μέσου όρου των ακτινολόγων. Τα συστήματα Τ.Ν. (ΑΙ) είχαν καλύτερες επιδόσεις από το 61% των ακτινολόγων.
Σε άλλη μελέτη 18.000 εξετάσεων μαστογραφίας που πραγματοποιήθηκαν το 2018 στο Κέντρο Screening του Μονάχου, η εκ των υστέρων εφαρμογή της Τεχνητής Νοημοσύνης πέτυχε ευαισθησία 91,5% και ειδικότητα 80,2% στη διάγνωση του καρκίνου μαστού, ποσοστά που ήταν συγκρίσιμα με την απόδοση των έμπειρων ακτινολόγων.
Με βάση αυτές τις επιδόσεις, τα υπολογιστικά συστήματα ΑΙ θα μπορούσαν ακόμη και να υποκαταστήσουν πλήρως τους ακτινολόγους στη διάγνωση. Νομικά θέματα όμως και θέματα ασφάλειας των ασθενών δεν επιτρέπουν προς το παρόν αυτόν τον τρόπο χρήσης του ΑΙ. Είναι σημαντική πάντως η υποβοήθηση των γιατρών στη μείωση των σφαλμάτων.
Τα εξελιγμένα προγράμματα Τεχνητής Νοημοσύνης παρέχουν ακόμη τη δυνατότητα, αξιολογώντας την εικόνα της μαστογραφίας, να προβλέψουν τον κίνδυνο να πάθει η γυναίκα καρκίνο μαστού εντός της επόμενης διετίας (Risk Evaluation). Αυτή η πληροφορία οδηγεί σε ανάγκη για τακτικότερη εξέταση των μαστών και συμπληρωματική εξέταση και με άλλες μεθόδους (τομοσύνθεση, υπερηχογραφία, μαστογραφία με σκιαγραφικό, μαγνητική μαστογραφία), καταλήγοντας στον εξατομικευμένο προληπτικό έλεγχο (personalized screening).
Ειδικοί και προγραμματιστές υποστηρίζουν πως η ευρεία χρήση της τεχνολογίας ανίχνευσης καρκίνου εξακολουθεί να αντιμετωπίζει πολλά εμπόδια και σαφώς απαιτούνται πρόσθετες κλινικές δοκιμές προτού τα συστήματα υιοθετηθούν ευρύτερα ως αυτοματοποιημένος δεύτερος ή τρίτος ελεγκτής μαστογραφιών. Είναι απαράιτητο επίσης να διασφαλιστεί πως η τεχνολογία αυτή θα μπορεί να παράγει ακριβή αποτελέσματα σε γυναίκες κάθε ηλικίας, εθνότητας και σωματότυπου. οι ακτινολόγοι προσθέτουν επίσης ότι τη σημασία της αναγνώρισης πιο περίπλοκων μορφών καρκίνου του μαστού και να διασφαλιστεί ότι θα περιορίσει τα ψευδώς θετικά ίχνη που δεν είναι καρκινικά.
Tελικά, η τεχνητή νοημοσύνη θα μπορούσε να σώσει ζωές, είπε ο Ούγγρος δρ. Λάζλο Τάμπαρ, κορυφαίος εκπαιδευτής μαστογραφίας στην Ευρώπη. «Ονειρεύομαι τη μέρα που οι γυναίκες θα πάνε σε ένα κέντρο καρκίνου του μαστού και θα ρωτήσουν: “Έχετε AI ή όχι;”», είπε
Συμπερασματικά, η εφαρμογή της Τεχνητής Νοημοσύνης στη μαστογραφία και τομοσύνθεση συμβάλλει:
- στη βελτίωση στην ανίχνευση του καρκίνου μαστού, με μείωση επανακλήσεων, ταλαιπωρίας και άγχους των γυναικών
- στην πρώιμη ανακάλυψη καρκίνων, προτού γίνουν αντιληπτοί από τον διαγνώστη ακτινολόγο (έως και δύο χρόνια νωρίτερα)
- στην έγκαιρη ανίχνευση των επιθετικών καρκίνων
- στην υποβοήθηση και εκπαίδευση νέων ακτινολόγων με μικρότερη εμπειρία
- στη βελτίωση απόδοσης έμπειρων ακτινολόγων με μεγάλο φόρτο εργασίας
- στη βελτίωση της ποιότητας των προγραμμάτων προληπτικού ελέγχου και
- στην εξατομίκευση του προληπτικού ελέγχου μέσω αξιολόγησης βραχυχρόνιου κινδύνου.
Με πληροφορίες από: Hellenic Medical Review, The New York Times
Περισσότερες από μισό εκατομμύριο γυναίκες πεθαίνουν ετησίως από καρκίνο του μαστού παγκοσμίως σύμφωνα με τα στοιχεία του Ερευνητικού Ινστιτούτου για τον καρκίνο του μαστού. Ο τακτικός προσυμπτωματικός έλεγχος οδηγεί σε έγκαιρη διάγνωση της νόσου και επιτυγχάνει μείωση της θνησιμότητας κατά 30% περίπου.
Τα τελευταία χρόνια η τεχνητή νοημοσύνη εφαρμόζεται ολοένα και περισσότερο στην ιατρική απεικόνιση με υπεροχή αυτής στη μαστογραφία, στη τομοσύνθεση αλλά και στους υπερήχους προσφέροντας με ακρίβεια τον εντοπισμό αλλά και χαρακτηρισμό αλλοιώσεων ανάμεσα σε “καλοήθη” ή “κακοήθη” ευρήματα. Η μαστογραφία είναι η πιο αποτελεσματική εξέταση στην πρώιμη διάγνωση του καρκίνου μαστού, εντοπίζοντας το 75% περίπου των καρκίνων περίπου έναν χρόνο πριν να δώσουν κλινικά συμπτώματα. Παρά τα αυστηρά κριτήρια ελέγχου ποιότητος (QA) και τη χρήση εξοπλισμού υψηλής τεχνολογίας, οι ακτινολόγοι δεν καταφέρνουν πάντα να βρίσκουν έγκαιρα τον καρκίνο μαστού. Ένας αριθμός βλαβών δεν εντοπίζεται ή αξιολογείται λάθος από τους ακτινολόγους, γεγονός που οδηγεί σε καθυστερημένη αντιμετώπιση (με αποτέλεσμα εντονότερες θεραπείες και μειωμένη επιβίωση). Η ανάγνωση των μαστογραφιών από δύο ακτινολόγους μειώνει τα σφάλματα, αλλά οδηγεί σε αυξημένο κόστος και διαχειριστικές δυσκολίες.
Σύμφωνα με το Hellenic Medical Review, η επανάσταση της Τεχνητής Νοημοσύνης (AI) στα υπολογιστικά συστήματα, που στηρίζεται στη βαθιά μάθηση (Deep Learning) και στα συνελικτικά νευρωνικά δίκτυα (CNN), βρίσκει σημαντικές εφαρμογές στο πεδίο της αυτοματοποιημένης ανίχνευσης καρκίνου του μαστού και παρέχει πολλές υποσχέσεις για βελτίωση της διάγνωσης. τα συνελικτικά νευρωνικά δίκτυα βαθιάς μάθησης (DL-CNN) πραγματοποιούν την επεξεργασία μιας εικόνας σε πολλαπλά διαδοχικά επίπεδα, συνδυάζοντας τα δεδομένα. Η σύνθεση αυτών των πληροφοριών επιτυγχάνει την αναγνώριση της κακοήθειας. Ο προσδιορισμός των χαρακτηριστικών της εικόνας, που είναι ενδεικτικές της βλάβης, πραγματοποιείται από τον ίδιο τον αλγόριθμο κατά τη διάρκεια της εκπαίδευσής του και όχι από τον άνθρωπο-προγραμματιστή. Ο αλγόριθμος δεν διδάσκεται, αλλά αυτοεκπαιδεύεται. Για την εκπαίδευσή του χρησιμοποιούνται βάσεις δεδομένων από μεγάλα νοσοκομεία, που περιέχουν τουλάχιστον 10.000 φυσιολογικές μαστογραφίες και 10.000 μαστογραφίες με καρκίνους (το 1/3 αποτελούν βλάβες με αποτιτανώσεις). Το σύστημα βελτιώνεται συνεχώς, τροφοδοτούμενο με νέα περιστατικά. Ο αλγόριθμος υποδεικνύει στον ακτινολόγο τη βλάβη (ή τις βλάβες) και την αξιολογεί παρέχοντας ένα Lesion Score (πιθανότητα κακοήθειας) ανά βλάβη. Επίσης, παρέχει ένα συνολικό Case Score, που συνυπολογίζει το σύνολο των βλαβών της εξέτασης. Το Case Score ταξινομεί τις εξετάσεις από τις πλέον «ύποπτες» έως τις «φυσιολογικές», επιτυγχάνοντας μείωση του μέσου χρόνου ανάγνωσης ανά περιστατικό κατά περίπου 5%. Η ΑΙ βελτιώνει την απόδοση των ακτινολόγων που έχουν μικρότερη εμπειρία στη μαστογραφία, υποβοηθώντας στην αξιολόγηση των αμφίβολων και δύσκολων περιστατικών.
Η Ουγγαρία, η οποία διαθέτει ένα πολύ καλά δομημένο πρόγραμμα εξετάσεων και ελέγχου για τον καρκίνο του μαστού, είναι πρωτοπόρα στην εφαρμογή αυτής της τεχνολογίας σε πραγματικούς ασθενείς. Από το 2021, τα συστήματα τεχνητής νοημοσύνης, εισήχθησαν σε πέντε νοσοκομεία και κλινικές – που πραγματοποιούν περισσότερες από 35.000 ακτινογραφίες ετησίως- και τώρα βοηθούν στον εντοπισμό σημείων και ιχνών καρκίνου που μπορεί ο ακτινολόγος να έχει παραβλέψει. Κλινικές και νοσοκομεία στις Ηνωμένες Πολιτείες, τη Βρετανία και την Ευρωπαϊκή Ένωση αρχίζουν επίσης να δοκιμάζουν ή να παρέχουν δεδομένα για να βοηθήσουν στην ανάπτυξη τέτοιων συστημάτων.
Σε πολυκεντρική μελέτη 2.652 εξετάσεων (με 653 κακοήθειες), που γνωματεύθηκαν παράλληλα από 101 ακτινολόγους και από 4 συστήματα Τεχνητής Νοημοσύνης, παρατηρήθηκε ότι η απόδοση των συστημάτων τεχνητής νοημοσύνης δεν ήταν κατώτερη από αυτήν του μέσου όρου των ακτινολόγων. Τα συστήματα Τ.Ν. (ΑΙ) είχαν καλύτερες επιδόσεις από το 61% των ακτινολόγων.
Σε άλλη μελέτη 18.000 εξετάσεων μαστογραφίας που πραγματοποιήθηκαν το 2018 στο Κέντρο Screening του Μονάχου, η εκ των υστέρων εφαρμογή της Τεχνητής Νοημοσύνης πέτυχε ευαισθησία 91,5% και ειδικότητα 80,2% στη διάγνωση του καρκίνου μαστού, ποσοστά που ήταν συγκρίσιμα με την απόδοση των έμπειρων ακτινολόγων.
Με βάση αυτές τις επιδόσεις, τα υπολογιστικά συστήματα ΑΙ θα μπορούσαν ακόμη και να υποκαταστήσουν πλήρως τους ακτινολόγους στη διάγνωση. Νομικά θέματα όμως και θέματα ασφάλειας των ασθενών δεν επιτρέπουν προς το παρόν αυτόν τον τρόπο χρήσης του ΑΙ. Είναι σημαντική πάντως η υποβοήθηση των γιατρών στη μείωση των σφαλμάτων.
Τα εξελιγμένα προγράμματα Τεχνητής Νοημοσύνης παρέχουν ακόμη τη δυνατότητα, αξιολογώντας την εικόνα της μαστογραφίας, να προβλέψουν τον κίνδυνο να πάθει η γυναίκα καρκίνο μαστού εντός της επόμενης διετίας (Risk Evaluation). Αυτή η πληροφορία οδηγεί σε ανάγκη για τακτικότερη εξέταση των μαστών και συμπληρωματική εξέταση και με άλλες μεθόδους (τομοσύνθεση, υπερηχογραφία, μαστογραφία με σκιαγραφικό, μαγνητική μαστογραφία), καταλήγοντας στον εξατομικευμένο προληπτικό έλεγχο (personalized screening).
Ειδικοί και προγραμματιστές υποστηρίζουν πως η ευρεία χρήση της τεχνολογίας ανίχνευσης καρκίνου εξακολουθεί να αντιμετωπίζει πολλά εμπόδια και σαφώς απαιτούνται πρόσθετες κλινικές δοκιμές προτού τα συστήματα υιοθετηθούν ευρύτερα ως αυτοματοποιημένος δεύτερος ή τρίτος ελεγκτής μαστογραφιών. Είναι απαράιτητο επίσης να διασφαλιστεί πως η τεχνολογία αυτή θα μπορεί να παράγει ακριβή αποτελέσματα σε γυναίκες κάθε ηλικίας, εθνότητας και σωματότυπου. οι ακτινολόγοι προσθέτουν επίσης ότι τη σημασία της αναγνώρισης πιο περίπλοκων μορφών καρκίνου του μαστού και να διασφαλιστεί ότι θα περιορίσει τα ψευδώς θετικά ίχνη που δεν είναι καρκινικά.
Tελικά, η τεχνητή νοημοσύνη θα μπορούσε να σώσει ζωές, είπε ο Ούγγρος δρ. Λάζλο Τάμπαρ, κορυφαίος εκπαιδευτής μαστογραφίας στην Ευρώπη. «Ονειρεύομαι τη μέρα που οι γυναίκες θα πάνε σε ένα κέντρο καρκίνου του μαστού και θα ρωτήσουν: “Έχετε AI ή όχι;”», είπε
Συμπερασματικά, η εφαρμογή της Τεχνητής Νοημοσύνης στη μαστογραφία και τομοσύνθεση συμβάλλει:
- στη βελτίωση στην ανίχνευση του καρκίνου μαστού, με μείωση επανακλήσεων, ταλαιπωρίας και άγχους των γυναικών
- στην πρώιμη ανακάλυψη καρκίνων, προτού γίνουν αντιληπτοί από τον διαγνώστη ακτινολόγο (έως και δύο χρόνια νωρίτερα)
- στην έγκαιρη ανίχνευση των επιθετικών καρκίνων
- στην υποβοήθηση και εκπαίδευση νέων ακτινολόγων με μικρότερη εμπειρία
- στη βελτίωση απόδοσης έμπειρων ακτινολόγων με μεγάλο φόρτο εργασίας
- στη βελτίωση της ποιότητας των προγραμμάτων προληπτικού ελέγχου και
- στην εξατομίκευση του προληπτικού ελέγχου μέσω αξιολόγησης βραχυχρόνιου κινδύνου.
Με πληροφορίες από: Hellenic Medical Review, The New York Times
