p As mulheres sabem o que fazer:o câncer de mama é muito comumente um diagnóstico de câncer para ser ignorado, pois a detecção precoce pode fazer a diferença. Embora os falsos positivos possam causar uma enorme quantidade de estresse indevido, os falsos negativos têm um impacto sobre o quão precocemente um câncer é detectado e subsequentemente tratado. p A detecção precoce pode dar à pessoa mais opções para intervenções bem-sucedidas e terapias com sua condição ainda em seu estágio inicial.

p Uma equipe da IBM Research recorreu à inteligência artificial para ver se eles poderiam chegar a uma solução que alcance um nível impressionante de detecção precisa de câncer de mama, e seus resultados são encorajadores.

p Em uma postagem do IBM Research Blog, Michal Chorev, da IBM Research, descreveu os objetivos da equipe, esforços e resultados.

p Ele disse que "como o primeiro algoritmo desse tipo a aprender e tomar decisões a partir de dados de imagem e histórico de saúde abrangente do paciente, nosso modelo foi capaz de prever corretamente o desenvolvimento de câncer de mama em 87 por cento dos casos que analisou, e também foi capaz de interpretar corretamente 77 por cento dos casos não cancerosos. "

p A adição de dados clínicos às mamografias aumentou significativamente o AUROC e a sensibilidade do modelo.

p "Quando baseado apenas em dados clínicos, nosso modelo obteve um AUROC de 0,78, melhorando a previsão de risco de câncer de mama em comparação com modelos de risco comuns como o modelo de Gail. Além disso, fomos capazes de identificar fatores clínicos que podem contribuir para o risco elevado e que não foram usados ​​anteriormente por outros modelos, como perfis de glóbulos brancos e testes de função da tireoide. "

p Primeiramente, a equipe da IBM Research – Haifa formulou a hipótese de que um modelo combinando aprendizado de máquina e aprendizado profundo poderia ser aplicado para avaliar o câncer de mama em um nível comparável ao de radiologistas e com os recursos para serem aceitos na prática clínica como um segundo leitor.

p Como se viu, parece que prever o câncer de mama com IA com algo próximo da precisão do radiologista não foi um mero vôo da imaginação.

p O trabalho desses pesquisadores da IBM aparece em Radiologia e discute o modelo de IA que pode prever o desenvolvimento de câncer de mama maligno em pacientes durante o ano com taxas de precisão favoráveis. "Uma previsão mais precisa pode ter o potencial de reduzir o número de mulheres enviadas para exames desnecessários - ou experimentando o trauma de serem desnecessariamente designadas como de alto risco - por modelos tradicionais."

p Esta não seria a primeira vez que a pesquisa se voltaria para a IA para esses fins. Os pesquisadores já vinham construindo modelos de previsão baseados em inteligência artificial, disse Adnan Farooqui em Ubergizmo .

p Fingas fez a distinção sobre o que há de novo nessa obra. Embora já existam métodos de previsão de IA, ou eles se basearam em imagens de mamografia ou se concentraram em registros médicos. "A IBM se destaca por usar os dois."

p Chorev escreveu em seu blog que este foi "o primeiro algoritmo desse tipo a aprender e tomar decisões com base em dados de imagem e no histórico de saúde de um paciente abrangente".

p Quão abrangente? A resposta está em como a IBM treinou sua IA, com imagens de mamografia anônimas vinculadas a biomarcadores (como histórico reprodutivo) e dados clínicos, disse Fingas. De acordo com o blog IBM Research, eles treinaram o algoritmo em 9, 611 mamografias e registros de saúde de mulheres, com dois objetivos:(1) prever malignidade da biópsia e (2) diferenciar exames de triagem normais de anormais.

p "Por meio dos parceiros de pesquisa da IBM, Maccabi Health Services e Assuta Medical Center, dois grandes provedores de saúde em Israel, nossa equipe conseguiu obter um grande conjunto de dados não identificados, Imagens de mamografia coletadas voluntariamente que também foram vinculadas a um registro rico e detalhado dos dados clínicos do indivíduo correspondente, como um histórico de qualquer diagnóstico de câncer, história da gravidez e estado da menopausa. "

p O que mais, havia características que não se descobririam apenas nas imagens, por exemplo., deficiências de ferro e função da tireóide. Geral, escreveu Chorev, trata-se de uma "quantidade surpreendente de dados" que fornece "um grande conjunto de informações com as quais nossos modelos de aprendizado de máquina podem aprender".

p A quantidade de dados permitiu que os algoritmos "conectassem padrões e tendências que de outra forma não seriam possíveis". Os dados envolveram biópsias, testes de laboratório, registros de câncer e códigos de outros diagnósticos e procedimentos.

p A equipe vê este modelo de IA não como um substituto para os radiologistas, mas como um segundo par de olhos. Além de avaliações humanas, "a precisão é boa o suficiente para servir como um 'segundo par de olhos, 'de acordo com a IBM. "

p Poderia verificar o prognóstico de um radiologista e reduzir as chances de pacientes serem encaminhados para exames de acompanhamento desnecessários.

p Analisar mamografias é uma tarefa desafiadora. As diferenças entre as lesões e o fundo podem ser sutis:existem vários tipos de achados possíveis na forma, Tamanho, cor, textura e outros fatores.

p Radiologia Negócios :Embora o modelo da equipe não supere necessariamente os radiologistas, seu desempenho caiu na "faixa aceitável de radiologistas para o rastreamento do câncer de mama".

p Para mais leitura, seu artigo "Predicting Breast Cancer aplicando Deep Learning a Linked Health Records and Mammograms" aparece em Radiologia . p © 2019 Science X Network