Sistema automatizado ajuda a descartar exames de ressonância magnética de mama sem câncer em seios densos

O modelo de aprendizado profundo considerou 90,7% das ressonâncias magnéticas com lesões não normais e as triou para revisão radiológica. Ele descartou cerca de 40% das ressonâncias magnéticas sem lesões, sem deixar de perceber nenhum câncer.

11 Out, 2021

Um sistema automatizado que usa inteligência artificial (IA) pode filtrar com rapidez e precisão ressonâncias magnéticas de mama em mulheres com seios densos para eliminar aquelas sem câncer, liberando os radiologistas para se concentrarem em casos mais complexos, de acordo com um estudo publicado em  Radiologia . A mamografia ajudou a reduzir as mortes por câncer de mama, fornecendo a detecção precoce quando o câncer é mais tratável. No entanto, é menos sensível em mulheres com seios extremamente densos do que em mulheres com seios gordurosos. Além disso, mulheres com seios extremamente densos têm um risco três a seis vezes maior de desenvolver câncer de mama do que mulheres com seios quase totalmente gordurosos e um risco duas vezes maior do que a média das mulheres.

O rastreamento suplementar em mulheres com seios extremamente densos aumenta a sensibilidade da detecção do câncer. A pesquisa do Dense Tissue and Early Breast Neoplasm Screening (DENSE) Trial , um grande estudo baseado na Holanda, apoiou o uso de rastreamento suplementar com ressonância magnética. “O ensaio DENSE mostrou que exames adicionais de ressonância magnética para mulheres com seios extremamente densos foram benéficos”, disse o autor do estudo, Erik Verburg, M.Sc., do Image Sciences Institute do University Medical Center Utrecht, na Holanda. “Por outro lado, o ensaio DENSE confirmou que a grande maioria das mulheres examinadas não apresenta resultados suspeitos na ressonância magnética.”

Visto que a maioria das ressonâncias magnéticas mostra variação anatômica e fisiológica normal que pode não exigir revisão radiológica, são necessárias maneiras de fazer a triagem dessas ressonâncias magnéticas normais para reduzir a carga de trabalho do radiologista.

No primeiro estudo desse tipo, Verburg e colegas decidiram determinar a viabilidade de um método de triagem automatizado baseado em aprendizado profundo, um tipo sofisticado de IA. Eles usaram dados de ressonância magnética de mama do ensaio DENSE para desenvolver e treinar o modelo de aprendizado profundo para distinguir entre mamas com e sem lesões. O modelo foi treinado com dados de sete hospitais e testado com dados de um oitavo hospital.

Mais de 4.500 conjuntos de dados de ressonância magnética de seios extremamente densos foram incluídos. Das 9.162 mamas, 838 apresentavam pelo menos uma lesão, das quais 77 eram malignas e 8.324 não apresentavam lesões. O modelo de aprendizado profundo considerou 90,7% das ressonâncias magnéticas com lesões não normais e as triou para revisão radiológica. Ele descartou cerca de 40% das ressonâncias magnéticas sem lesões, sem deixar de perceber nenhum câncer.

“Nós mostramos que é possível usar a inteligência artificial com segurança para descartar exames de ressonância magnética de mama sem deixar de notar qualquer doença maligna”, disse Verburg. “Os resultados foram melhores do que o esperado. Quarenta por cento é um bom começo. No entanto, ainda temos 60% para melhorar. ”

O sistema de triagem baseado em IA tem o potencial de reduzir significativamente a carga de trabalho do radiologista, disse Verburg. Só na Holanda, quase 82.000 mulheres podem ser elegíveis para exames de ressonância magnética bienais com base na densidade da mama. “A abordagem pode ser usada primeiro para ajudar os radiologistas a reduzir o tempo geral de leitura”, disse Verburg. “Consequentemente, mais tempo poderia ficar disponível para se concentrar nos exames de ressonância magnética de mama realmente complexos.”

Os pesquisadores planejam validar o modelo em outros conjuntos de dados e implantá-lo em rodadas de triagem subsequentes do ensaio DENSE .

Para mais informações: www.rsna.org

Imagem:  Exemplos de imagens de sobreposição de Shapley com explicações aditivas profundas (SHAP). As imagens de projeção de intensidade máxima (MIP) estão à esquerda e as imagens MIP com a sobreposição de SHAP estão à direita. Os valores SHAP positivos (vermelho) mostram áreas que contribuem para uma alta probabilidade de presença de lesão, os valores SHAP negativos (azul) mostram locais com probabilidade reduzida. (A) Imagens sagitais de MIP de ressonância magnética de mama com contraste de um carcinoma ductal invasivo em uma mulher de 57 anos com Relatório de Imagens da Mama e Sistema de Dados (BI-RADS) categoria 4. O modelo de aprendizado profundo (DL) produziu um probabilidade de presença de lesão de 90%. Os valores positivos de SHAP (vermelho) são mostrados para coincidir com a localização da lesão (setas). (B) Imagens sagitais de MIP de ressonância magnética de mama com contraste de uma mama sem lesões em uma mulher de 53 anos com pontuação BI-RADS 1. O modelo DL rendeu uma probabilidade de presença de lesão de 11%. Os valores SHAP negativos (azul) são difusamente distribuídos na região da mama. (C) Imagens transversais de MIP de ressonância magnética de mama com contraste de um carcinoma ductal in situ em uma mulher de 65 anos com pontuação BI-RADS 4. O modelo DL rendeu uma probabilidade de presença de lesão de 32% - o valor de probabilidade mais baixo entre todas as mamas com doença maligna em nosso estudo. Os valores positivos de SHAP (vermelho) são mostrados para coincidir com a localização da lesão (setas). Imagem cortesia da Sociedade Radiológica da América do Norte O modelo DL rendeu uma probabilidade de presença de lesão de 32% - o valor de probabilidade mais baixo entre todas as mamas com doença maligna em nosso estudo. Os valores positivos de SHAP (vermelho) são mostrados para coincidir com a localização da lesão (setas). Imagem cortesia da Sociedade Radiológica da América do Norte O modelo DL rendeu uma probabilidade de presença de lesão de 32% - o valor de probabilidade mais baixo entre todas as mamas com doença maligna em nosso estudo. Os valores positivos de SHAP (vermelho) são mostrados para coincidir com a localização da lesão (setas). Imagem cortesia da Sociedade Radiológica da América do Norte

Fonte: https://www.itnonline.com/content/ai-helps-rule-out-cancer-dense-breasts

 

A PHP Error was encountered

Severity: Warning

Message: sizeof(): Parameter must be an array or an object that implements Countable

Filename: front/noticias-detalhe.php

Line Number: 15

A PHP Error was encountered

Severity: Warning

Message: sizeof(): Parameter must be an array or an object that implements Countable

Filename: front/noticias-detalhe.php

Line Number: 32

Compartilhe


NOTÍCIAS RELACIONADAS

publicidade

publicidade