Modelo de aprendizado profundo estima o risco de câncer a partir da densidade da mama

O câncer de mama é o câncer mais comum que afeta as mulheres em todo o mundo. De acordo com a American Cancer Society, cerca de 1 em cada 8 mulheres nos Estados Unidos desenvolverá câncer de mama em sua vida. Embora não seja possível prevenir totalmente o câncer de mama, várias organizações médicas aconselham a triagem regular para detectar e tratar os casos no estágio inicial. A densidade da mama, definida como a proporção de tecido fibroglandular dentro da mama, é frequentemente usada para avaliar o risco de desenvolver câncer de mama. Embora vários métodos estejam disponíveis para estimar essa medida, estudos mostraram que avaliações subjetivas realizadas por radiologistas com base em escalas analógicas visuais são mais precisas do que qualquer outro método.

Como avaliações de especialistas de densidade da mama desempenham um papel crucial na mama Câncer avaliação de risco, desenvolvendo estruturas de análise de imagem que possam estimar automaticamente esse risco, com a mesma precisão de um radiologista experiente, é altamente desejável. Para esse fim, pesquisadores liderados pela professora Susan M. Astley, da Universidade de Manchester, no Reino Unido, desenvolveram e testaram recentemente um novo modelo baseado em aprendizado profundo capaz de estimar a densidade da mama com alta precisão. Suas descobertas são publicadas no Jornal de imagens médicas.

“A vantagem da abordagem baseada em aprendizado profundo é que ela permite a extração automática de recursos dos próprios dados”, explica Astley. “Isso é atraente para estimativas de densidade mamária, pois não entendemos completamente por que julgamentos subjetivos de especialistas superam outros métodos”.

Normalmente, treinar modelos de aprendizado profundo para análise de imagem médica é uma tarefa desafiadora devido aos conjuntos de dados limitados. No entanto, os pesquisadores conseguiram encontrar uma solução para esse problema: em vez de construir o modelo do zero, eles usaram dois modelos independentes de aprendizado profundo que foram inicialmente treinados no ImageNet, um conjunto de dados de imagens não médicas com mais de um milhão de imagens. Essa abordagem, conhecida como “aprendizado por transferência”, permitiu que eles treinassem os modelos de forma mais eficiente com menos dados de imagens médicas.

Usando quase 160.000 imagens de mamografia digital de campo total que receberam valores de densidade em uma escala analógica visual por especialistas (radiologistas, radiologistas avançados e médicos de mama) de 39.357 mulheres, os pesquisadores desenvolveram um procedimento para estimar a pontuação de densidade para cada imagem de mamografia . O objetivo era receber uma imagem de mamografia como entrada e gerar uma pontuação de densidade como saída.

O procedimento envolveu o pré-processamento das imagens para tornar o processo de treinamento computacionalmente menos intensivo, extraindo recursos das imagens processadas com os modelos de aprendizado profundo, mapeando os recursos para um conjunto de pontuações de densidade e, em seguida, combinando as pontuações usando uma abordagem de conjunto para produzir um resultado final estimativa de densidade.

Com essa abordagem, os pesquisadores desenvolveram modelos altamente precisos para estimar a densidade da mama e sua correlação com o risco de câncer, conservando o tempo de computação e a memória. “O desempenho do modelo é comparável ao de especialistas humanos dentro dos limites da incerteza”, diz Astley. “Além disso, pode ser treinado muito mais rápido e em pequenos conjuntos de dados ou subconjuntos do grande conjunto de dados.”

Notavelmente, a estrutura de aprendizado de transferência profunda é útil não apenas para estimar câncer de mama risco na ausência de um radiologista, mas também para treinar outros modelos de imagens médicas com base em sua seios estimativas de densidade tecidual. Isso, por sua vez, pode permitir um melhor desempenho em tarefas como previsão de risco de câncer ou segmentação de imagens.