Только в США ежегодно проводятся десятки миллионов маммографий. У врачей уходит много времени на анализ этих изображений.
Использование компьютерной помощи для считывания маммографии становится все более распространенным. Однако сохраняются сомнения относительно того, является ли эта практика достаточно полезной для оправдания резкого повышения цен на маммографию.
Полезными могут оказаться недорогостоящие системы глубокого изучения, которые учатся распознавать рак. Благодаря таким методам глубокого изучения, новая система определила точное местоположение рака более чем на 90% в ходе тестов.
Автоматизированное обнаружение должно помочь врачам находить повреждения, которые могли быть пропущены. В Соединенных Штатах, где маммографию проводит один рентгенолог, широко распространено использование компьютерной системы. В Европе, где маммографию рассматривают два рентгенолога, он практически не используется.
Недавнее исследование не показало положительного влияния использования автоматизированной помощи на работу рентгенолога. Поэтому преимущества нынешней технологии сомнительны, в то время как в США на нее ежегодно тратится более 400 млн. долл.
В двух словах, модели глубокого изучения могут распознавать объекты на изображениях, если вы покажете им достаточное количество помеченных примеров, и они "учатся", уточняя параметры последующих шагов фильтрации.
В некоторых визуальных задачах глубокий анализ позволил сократить количество ошибок в десять раз по сравнению с предыдущими технологиями.
Система заняла 2-е место в престижном конкурсе по цифровой маммографии DREAM Challenge, который проводится среди более чем 1200 зарегистрированных участников. Эта модель была единственным лучшим решением, способным точно локализовать рак, что необходимо для того, чтобы автоматизированное система была практически применима. С тех пор производительность модели значительно улучшилась.
С помощью самого последнего открытого цифрового набора данных маммографии модель способна обнаруживать более 90% раковых заболеваний с точным расположением и производить только 0,3% ложных обнаружений на одно изображение.
Сравнить эту модель со стандартными методами маммографического анализа невозможно, поскольку эти методы никогда не оценивались на основе одних и тех же наборов данных. Но результаты показывают, что эта модель работает лучше, чем коммерчески доступные решения.
Общедоступные наборы данных маммографии довольно малы. Данная модель в основном обучалась на 2000 сканированных изображений рака с 1990-х годов и небольших количествах дополнительных онкологических заболеваний на цифровых изображениях.
Ученые уверены, что с более крупными наборами данных для обучения производительность моделей с глубоким изучением улучшится. Создание огромного учебного набора данных не является невозможной задачей: только в США ежегодно проводятся десятки миллионов скринингов.
Врачи смогут сконцентрироваться на самых сложных и трудных случаях, которые больше подходят для человеческого разума.
Скрининг рака молочной железы проводится в масштабе ста миллионов обследований в год. Ученые предполагают, что в ближайшие несколько десятилетий компьютерная система будет помогать рентгенологам, и постепенно возьмет на себя более легкие задачи, которые являются однообразными и утомительными для людей. Врачи смогут сконцентрировать свою мощь на самых сложных и трудных случаях, которые больше подходят для человеческого разума, и меньше подходят для машины. Система также снизит нагрузку на врачей, вызванную нехваткой специализированных рентгенологов.
Не нужно забывать, что в конце концов, обнаруженные раковые опухоли должны быть подтверждены биопсией, и часто проводятся операции. Эти задачи будут выполняться врачами-людьми еще долгое время.
Потенциальная роль компьютерной системы в скрининговой маммографии заключается в проведении миллионов плановых визуальных обследований, в ходе которых врачи, выполняющие последующие процедуры, получают информацию о потенциальных онкологических заболеваниях.
Для дальнейшего совершенствования необходимо собрать более обширные наборы данных для подготовки и тестирования.
Следующим очень важным шагом является устранение разрыва между исследованиями и практикой. Ученые признают необходимость протестировать систему в клинической обстановке и в конечном итоге внедрить ее в повседневную медицинскую практику.
