Onderzoekers van de Universiteit van Oost-Finland hebben een nieuw op kunstmatige intelligentie gebaseerd algoritme ontwikkeld, MV-DEFEAT, om de beoordeling van de mammogramdichtheid te verbeteren. Door deze ontwikkeling is het mogelijk om nauwkeurigere diagnoses mogelijk te maken bij een mammografie. Het onderzoek is gepubliceerd in IEEE Access. Een nauwkeurige beoordeling van mammografieën is van cruciaal belang voor een effectieve screening op borstkanker.
Een hoge borstweefseldichtheid wordt in verband gebracht met een verhoogd risico op borstkanker. De borstweefseldichtheid kan worden geschat op basis van mammografieën. Uitdagingen zoals onder meer een tekort aan radiologen maken het moeilijker om mammografieën te maken. Het MV-DEFEAT-algoritme wil deze problemen aanpakken door deep learning-technieken te integreren die meerdere mammogramweergaven tegelijkertijd evalueren voor de beoordeling van de mammogramdichtheid.
Het onderzoeksteam dat is betrokken bij AI in kankeronderzoek bestaat uit promovendus Gudhe Raju, professor Arto Mannermaa en senior onderzoeker Hamid Behravan. In de huidige studie maakten ze gebruik van een innovatieve multi-view deep evidential fusion-benadering. Hun methode maakt gebruik van elementen van de bewijstheorie van Dempster-Shafer en subjectieve logica om mammogrambeelden vanuit meerdere weergaven te beoordelen zodat er een uitgebreidere analyse ontstaat.
Verbeterde resultaten
MV-DEFEAT liet opmerkelijke verbeteringen zien ten opzichte van bestaande behandelingen. De mammogramscreeningen waren nauwkeuriger doordat de dichtheid en de verdeling van dicht borstweefsel beter werden gekwantificeerd. In de openbare VinDr-Mammo-dataset, die uit meer dan 10.000 mammogrammen bestaat, heeft het algoritme bijvoorbeeld een verbetering van 50,78 procent bereikt in het onderscheid tussen goedaardige en kwaadaardige tumoren ten opzichte van de bestaande multi-viewbenadering.
De onderzoekers ontdekten bovendien dat de effectiviteit van het algoritme bleef bestaan in verschillende datasets wat volgens hen duidt op de mogelijkheid om zich aan te passen op verschillende, demografische patiëntengegevens.
Diagnostisch proces
De studie maakte gebruik van uitgebreide gegevens uit vier open-source datasets, waardoor de toepasbaarheid en de nauwkeurigheid van het algoritme in verschillende populaties werd verbeterd. Hoewel MV-DEFEAT aanzienlijk helpt bij de screening op borstkanker, benadrukt het team van de Universiteit van Oost-Finland de noodzaak van voortdurende verfijning en validatie van het algoritme om de betrouwbaarheid en de werkzaamheid ervan in klinische omgevingen te garanderen.
Volgens het team maken deze veelbelovende resultaten de weg vrij voor het gebruik van AI bij het verbeteren van diagnostische processen. Dat leidt tot eerdere detectie en betere patiëntresultaten in de borstkankerzorg.
AI helpt pathologen
Ook in Nederland is onderzocht of AI kan helpen bij het vroegtijdig opsporen van borstkanker. Zo laat onderzoek van het UMC Utrecht laat zien dat AI pathologen kan helpen de schildwachtklier efficiënter te beoordelen. Deze beoordeling is nodig om eventuele borstkankeruitzaaiingen te kunnen opsporen.
De ondersteunende AI-technologie maakt het detecteren van deze uitzaaiingen aanzienlijk goedkoper, is veilig en bespaart de pathologen tijd. De bevindingen van de onderzoeksgroep zijn gepubliceerd in het medisch-wetenschappelijk tijdschrift Nature Cancer.
