Pesquisadores do MIT e do Hospital Geral de Massachusetts desenvolveram um modelo automatizado que avalia o tecido mamário denso em mamografias - que é um fator de risco independente para câncer de mama - tão confiável quanto radiologistas especialistas.

Isso marca a primeira vez que um modelo de aprendizado profundo desse tipo foi usado com sucesso em uma clínica em pacientes reais, de acordo com os pesquisadores. Com ampla implementação, os pesquisadores esperam que o modelo possa ajudar a trazer maior confiabilidade às avaliações da densidade mamária em todo o país.

Estima-se que mais de 40 por cento das mulheres dos EUA têm tecido mamário denso, o que por si só aumenta o risco de câncer de mama. Além disso, tecido denso pode mascarar o câncer na mamografia, tornando o rastreio mais difícil. Como resultado, 30 estados dos EUA determinam que as mulheres devem ser notificadas se suas mamografias indicarem que têm seios densos.

Mas as avaliações da densidade mamária dependem de avaliações humanas subjetivas. Devido a muitos fatores, os resultados variam - às vezes dramaticamente - entre os radiologistas. Os pesquisadores do MIT e do MGH treinaram um modelo de aprendizado profundo em dezenas de milhares de mamografias digitais de alta qualidade para aprender a distinguir diferentes tipos de tecido mamário, de gorduroso a extremamente denso, com base em avaliações de especialistas. Dado uma nova mamografia, o modelo pode então identificar uma medição de densidade que se alinha de perto com a opinião de especialistas.

"A densidade da mama é um fator de risco independente que orienta a forma como nos comunicamos com as mulheres sobre o risco de câncer. Nossa motivação era criar uma ferramenta precisa e consistente, que podem ser compartilhados e usados ​​em todos os sistemas de saúde, "diz o segundo autor Adam Yala, um Ph.D. aluno do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL).

Os outros co-autores são a primeira autora Constance Lehman, professor de radiologia da Harvard Medical School e diretor de imagens de mama do MGH; e autora sênior Regina Barzilay, o Professor Delta Eletrônica no CSAIL e o Departamento de Engenharia Elétrica e Ciência da Computação no MIT.

Densidade de mapeamento

O modelo é construído em uma rede neural convolucional (CNN), que também é usado para tarefas de visão computacional. Os pesquisadores treinaram e testaram seu modelo em um conjunto de dados de mais de 58, 000 mamografias selecionadas aleatoriamente de mais de 39, 000 mulheres examinadas entre 2009 e 2011. Para treinamento, eles usaram cerca de 41, 000 mamografias e, para teste, cerca de 8, 600 mamografias.

Cada mamografia no conjunto de dados tem uma classificação de densidade mamária padrão de relatório e sistema de dados de imagem da mama (BI-RADS) em quatro categorias:gordurosos, espalhado (densidade espalhada), heterogêneo (principalmente denso), e denso. Tanto no treinamento quanto no teste de mamografias, cerca de 40 por cento foram avaliados como heterogêneos e densos.

Durante o processo de treinamento, o modelo recebe mamografias aleatórias para análise. Ele aprende a mapear a mamografia com classificações de densidade de radiologistas especialistas. Seios densos, por exemplo, contêm tecido conjuntivo glandular e fibroso, que aparecem como redes compactas de linhas brancas grossas e manchas brancas sólidas. Redes de tecido adiposo parecem muito mais finas, com área cinza por toda parte. Em teste, o modelo observa novas mamografias e prevê a categoria de densidade mais provável.

Avaliações de correspondência

O modelo foi implantado na divisão de imagens de mama do MGH. Em um fluxo de trabalho tradicional, quando uma mamografia é feita, é enviado a uma estação de trabalho para avaliação de um radiologista. O modelo dos pesquisadores é instalado em uma máquina separada que intercepta os exames antes que cheguem ao radiologista, e atribui a cada mamograma uma classificação de densidade. Quando os radiologistas fazem uma varredura em suas estações de trabalho, eles verão a classificação atribuída ao modelo, que eles então aceitam ou rejeitam.

"Demora menos de um segundo por imagem ... [e pode ser] dimensionado de forma fácil e barata em hospitais." Diz Yala.

Acima de 10, 000 mamografias no MGH de janeiro a maio deste ano, o modelo alcançou 94 por cento de concordância entre os radiologistas do hospital em um teste binário - determinando se os seios eram heterogêneos e densos, ou gordurosos e dispersos. Em todas as quatro categorias BI-RADS, correspondeu às avaliações dos radiologistas em 90 por cento. "O MGH é um centro de imagens de mama de ponta com alto acordo entre radiologistas, e este conjunto de dados de alta qualidade nos permitiu desenvolver um modelo forte, "Yala diz.

Em testes gerais usando o conjunto de dados original, o modelo correspondeu às interpretações de especialistas humanos originais em 77 por cento em quatro categorias BI-RADS e, em testes binários, correspondeu às interpretações em 87 por cento.

Em comparação com os modelos de previsão tradicionais, os pesquisadores usaram uma métrica chamada pontuação kappa, onde 1 indica que as previsões sempre concordam, e qualquer coisa menor indica menos instâncias de acordos. As pontuações Kappa para modelos de avaliação automática de densidade disponíveis comercialmente pontuam no máximo cerca de 0,6. Na aplicação clínica, o modelo dos pesquisadores obteve pontuação kappa de 0,85 e, em teste, marcou 0,67. Isso significa que o modelo faz previsões melhores do que os modelos tradicionais.

Em um experimento adicional, os pesquisadores testaram a concordância do modelo com o consenso de cinco radiologistas MGH de 500 mamografias de teste aleatório. Os radiologistas atribuíram a densidade da mama às mamografias sem conhecimento da avaliação original, ou as avaliações de seus pares ou do modelo. Neste experimento, o modelo obteve um escore kappa de 0,78 com o consenso do radiologista.

Próximo, os pesquisadores pretendem dimensionar o modelo em outros hospitais. "Com base nessa experiência translacional, exploraremos como fazer a transição de algoritmos de aprendizado de máquina desenvolvidos no MIT para uma clínica que beneficia milhões de pacientes, "Barzilay diz." Este é um regulamento do novo centro do MIT - a Clínica Abdul Latif Jameel para Aprendizado de Máquina em Saúde no MIT - que foi lançado recentemente. E estamos entusiasmados com as novas oportunidades abertas por este centro. "