Два года назад группа ученых из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) и клиники Джамиля продемонстрировала систему глубокого обучения для прогнозирования риска рака. Она использует только маммограмму пациенток. Теперь модель улучшили, и она стала одинаково точной как для белых, так и для чернокожих женщин. Статистика показывает, что последние умирают от рака груди на 43% чаще.
В модель встроили новый алгоритм Mirai с учетом уникальных требований моделирования рисков. Mirai учитывает клинические факторы, такие как возраст или семейный анамнез.
Команда обучила алгоритм на том же наборе данных из более чем 200 тысяч обследований в Массачусетской больнице, что использовался в прошлой работе.
Mirai оказался значительно более точным, чем предыдущие методы. Сравнивая группы высокого риска в тестовом наборе, команда обнаружила, что их модель выявила почти в два раза больше рисков рака по сравнению с текущим клиническим стандартом, моделью Тайрера-Кузика.
Mirai оказался одинаково точным для пациенток разных рас, возрастных групп и категорий плотности груди, а также для разных подтипов рака в тестовом наборе Karolinska.
Адам Яла, аспирант CSAIL и ведущий автор статьи о Mirai, заявил, что команда работает с разными клиниками для дальнейшей проверки модели и изучения того, как лучше всего реализовать ее в клинической практике.
Текущие клинические руководства используют модели риска, чтобы определить, каким пациентам следует рекомендовать скрининг и МРТ. В некоторых руководствах используются модели риска с указанием только возраста, чтобы определить, как часто следует проходить обследование; другие сочетают множество факторов, связанных с возрастом, гормонами, генетикой и плотностью груди.
Несмотря на десятилетия усилий, точность моделей риска, используемых в клинической практике, остается невысокой. Модели риска на основе маммографии с глубоким обучением показали многообещающие результаты.
Модель МТИ использует инструмент, называемый «слоем аддитивной опасности». Она прогнозирует риск пациента в определенный момент времени, и при этом может учиться на данных с переменным количеством последующих действий. Команда решила также использовать факторы риска, не связанные с изображением груди, такие как возраст и гормональный фон. Mirai обучили прогнозировать эту информацию во время обучения, а если таковой нет, то модель может использовать свою собственную версию прогнозирования.
Чтобы снизить предвзятость модели, команда использовала состязательную схему, в которой она изучает представления маммограммы, которые инвариантны к исходной клинической среде.
Вот как работает Mirai:
изображение маммограммы пропускается через так называемый «кодировщик изображений»,
каждое представление изображения объединяется с другими изображениями из других видов для получения представления всей маммограммы,
с помощью маммограммы традиционные факторы риска пациента прогнозируются с использованием модели Тайрера-Кузика (возраст, вес, гормональные факторы). Либо используются прогнозируемые значения,
с помощью этой информации слой аддитивной опасности прогнозирует риск для пациента на каждый год в течение следующих пяти лет.
Модель может быть дополнительно улучшена за счет использования «томосинтеза», рентгеновского метода для скрининга бессимптомных онкологических пациентов. Также необходимы дополнительные исследования, чтобы определить, как адаптировать модели риска на основе изображений к различным маммографическим устройствам с ограниченными данными.
