Novas pesquisas mostram como a tecnologia de IA pode identificar o câncer de mama em ressonância magnética com mais precisão do que os métodos digitais atuais, além de identificar exatamente onde está localizado o tecido suspeito – um avanço que poderia disponibilizar a ferramenta de triagem sensível para mais mulheres.
O sistema adota uma abordagem nova, aprendendo como é o tecido mamário normal e, em seguida, sinalizando qualquer coisa incomum, que é o oposto de como a IA da detecção de câncer normalmente foi construída. Quando identifica potencial câncer, cria um mapa de calor visual mostrando radiologistas com precisão para onde procurar.
Pesquisadores da Universidade de Washington, da IA da Microsoft para o Good Lab e do Fred Hutchinson Cancer Center de Seattle foram os principais colaboradores do estudo. Seus resultados foram publicados recentemente em RadiologiaUm Jornal da Sociedade Radiológica da América do Norte. Eles treinaram seu modelo de IA em aproximadamente 9.500 ressonância magnética coletada na UW entre 2005 e 2022.
A inovação pode ajudar a expandir o acesso à triagem de ressonância magnética da mama, que é mais sensível que a mamografia, mas atualmente limitada principalmente a pacientes de alto risco devido a preocupações com custos e eficiência.
“Esperamos poder oferecer ressonância magnética da mama a mais mulheres do que hoje em dia, porque é uma ferramenta de triagem de mama realmente sensível”, disse Savannah Partridge, professor de radiologia da UW. “Mas, para fazer isso, estamos vendo como escalamos?”
A estratégia para construir o modelo virou a abordagem tradicional de cabeça para baixo. Em vez de aprender a detectar varreduras positivas para o câncer, o modelo foi treinado para reconhecer imagens normais ou benignas e, em seguida, sinalizar ressonância magnética que incluíam células anormais.
A abordagem, chamada “detecção de anomalia”, faz sentido, uma vez que os pesquisadores têm muito mais imagens não cancerígenas do que aquelas que mostram doenças, disse Partridge, “por isso, somos capazes de alavancar nossos dados com mais eficiência”.
Uma característica essencial da nova ferramenta é que ela cria um mapa de calor sobrepondo a imagem, destacando visualmente a área de preocupação. Outras tecnologias às vezes indicam apenas se o câncer foi detectado em uma ressonância magnética, mas não precisamente onde foi encontrado.
“Nosso modelo fornece uma explicação compreensível no nível de pixels do que é anormal em uma mama”, disse Felipe Oviedo, analista sênior de pesquisa da AI da Microsoft para o Good Lab, em comunicado.
A análise da IA pode ajudar os radiologistas priorizando casos que precisam de atenção mais rápida, orientar os provedores em imagens adicionais ou indicar uma área que requer uma biópsia.
A ferramenta não está pronta para uso em ambientes clínicos. Os pesquisadores estão planejando estudos adicionais para ver como a tecnologia se apresenta contra radiologistas que analisam as mesmas imagens para entender melhor seus benefícios.
Partridge, que é o diretor de pesquisa da UW e o ex -diretor associado de imagens de câncer em Fred Hutch, disse que a colaboração com a Microsoft deu a ela a chance de se envolver intimamente envolvido com a criação do algoritmo, fornecendo informações sobre como ele foi construído e comportado.
Ainda assim, a Partridge quer prosseguir com cautela ao adotar a IA para a saúde, garantindo que qualquer ferramenta clínica forneça informações úteis e confiáveis que suportem radiologistas, em vez de complicar seu trabalho.
“Não é você usa (ai), ou não, mas como você o usa?” ela disse. “Como você o usa de maneira adequada e segura?”
Additional authors of the study, which was titled “Cancer Detection in Breast MRI Screening via Explainable AI Anomaly Detection,” are Anum Kazerouni, Philipp Liznerski, Yixi Xu, Michael Hirano, Robert Vandermeulen, Marius Kloft, Elyse Blum, Adam Alessio, Christopher Li, William Weeks, Rahul Dodhia, Juan Lavista Ferres and Habib Rahbar. Suas afiliações incluem a UW, Microsoft, Fred Hutch, Michigan State University, Universidade de Kaiserslautern-Landau, Instituto de Berlim para os Fundamentos de Aprendizagem e Dados e Universidade Técnica de Berlim.