מדד סיכון המבוסס על צורה של בינה מלאכותית הוביל לתוצאות טובות יותר מצפיפות שד בחיזוי הסיכון העתידי לסרטן שד, כך עולה מנתונים חדשים שפורסמו בכתב העת Radiology. בנוסף, ממאמר נוסף שפורסם באותו עיתון עלה כי מודלים ממוחשבים שפותחו ע”י מדענים מ-Google Health הדגימות תוצאות דומות לאלו שהתקבלו מרדיולוגים לזיהוי ארבעה סוגים של ממצאים ריאתיים חריגים בצילומי רנטגן.
המודל לחיזוי הסיכון לסרטן שד אינו הראשון מסוגו, אך המודלים הקיימים לא כללו מידע מבדיקות הדמיה. גיל וצפיפות שד בממוגרפיה היו שני המנבאים המשמעותיים ביותר של הסיכון לסרטן שד וניתן להשיג מידע זה בקלות. החוקרים פיתחו רשת עם נתוני נשים עם סרטן שד שאובחנו בין 2008-2012. ניתוח הנתונים כלל 278 נשים עם אבחנה חדשה של סרטן שד בין 2013-2014 וקבוצת ביקורת של 2,005 נשים בריאות.
מדד סיכון למידה עמוקה (Deep Learning Risk Score, נע בין 0 = אין סיכון ו-1 = הסיכון הגדול ביותר), שטח צפיפות השד ואחוז הצפיפות חושבו לכל נבדקת, על-בסיס נתונים קודמים מבדיקת ממוגרפיה.
נשים עם אבחנה של סרטן שד היו מבוגרות יותר בעת הממוגרפיה (55.7 לעומת 54.6 שנים, בהתאמה), עם שטח צפיפות גדול יותר (38.2 לעומת 34.2 סמ”ר, p<0.001) ואחוז צפיפות גדול יותר (25.6% לעומת 24.0%, p<0.001).
יחס הסיכויים לסרטן שד היה גבוה יותר מספרית עם מדד סיכון למידה עמוקה, אך לא שונה באופן מובהק סטטיסטית מהסיכון שתועד על-בסיס שטח הצפיפות או אחוז הצפיפות. השטח מתחת לעקומה היה גדול יותר מדד הסיכון המתוקן לגיל, בהשוואה לשטח הצפיפות או אחוז הצפיפות.
מדד הסיכון לווה בשיעור תוצאות שליליות-שגויות של 31% לעומת 36% לשטח צפיפות (p=0.006) ו-39% לאחוז הצפיפות (p<0.001). ההבדל היה בולט במיוחד בנשים עם גידולים אגרסיביים.
ממצאי המחקר מעידים על יתרונות מערכת למידה עמוקה והתוצאות המבטיחות של שימוש באמצעים אלו לחיזוי טוב יותר של הסיכון לסרטן שד, בהשוואה למודלים קיימים אחרים.
במחקר להערכת ממצאים חריגים בריאות נכלל מידע אודות אוסף גדול של הדמיות והחוקרים ביקשו לבחון את העדר-נחיתות של המודלים שפיתחו אל מול בחינת ההדמיות ע”י רדיולוגים. המאגר כלל הדמיות מבתי חולים, מהן 88 הדמיות חיוביות לחזה אוויר, 322 הדמיות שהדגימו קשריות או מסות בריאות, 444 הדמיות עם עדות להצללה ריאתית ו-257 צילומים עם עדות לשבר. עוד נכללו הדמיות ממאגר ציבורי, כולל 195 הדמיות עם חזה-אוויר, 295 הדמיות עם עדות לקשרית או מסה ריאתית, 1,135 צילומים עם הצללה ו-72 עם עדות לשבר.
החוקרים השוו את המודלים אל מול פענוחי הרדיולוגים ומצאו כי אלו עלו בקנה אחד זה עם זה. מרבית ההשוואות שנערכו ענו על קריטריוני העדר-נחיתות. השטח מתחת לעקומה של המודלים להערכת הדמיות מבתי חולים עמד על 0.95 לחזה אוויר, 0.72 לקשרית/מסה, 0.91 להצללה ו-86% לשבר. השיעורים המקבילים להדמיות מהמאגר הציבורי עמדו על 0.94, 0.91, 0.94 ו-0.81.
ממצאים אלו מעידים כי בינה מלאכותית בהחלט יכולה לסייע בפענוח הדמיות, דוגמת בדיקות ממוגרפיה וצילומי רנטגן, מאחר וחלק מהממצאים החריגים ניתנים לזיהוי ע” מחשב.
Radiology 2020
e-Med Tools
קצר קולע וממוקד
e-Med סמינרים
אי-מד תחקירים
Medscape Tools
Journal Club
מרכזי מידע ושירות
Facebook
מידע למפרסם
מאגר תרופות
מאגר אנשי המקצוע
אינדקס שימושי
חדשות משה"ב
eMed HealthClub
מחקרים קליניים
השאירו תגובה
רוצה להצטרף לדיון?תרגישו חופשי לתרום!