Untuk memperkirakan kepadatan payudara, para peneliti menggunakan dua model pembelajaran mendalam pra-pelatihan untuk mengekstrak fitur dari mammogram, menghasilkan vektor fitur. Setiap vektor kemudian digunakan untuk menghasilkan perkiraan kerapatan terpisah menggunakan regresi linier atau multi-layer-perceptron. Akhirnya, perkiraan terpisah ini digabungkan untuk menghasilkan satu prediksi kepadatan payudara. Kredit: Squires et al., doi 10.1117/1.JMI.10.2.024502.
Kanker payudara adalah kanker yang paling umum menyerang wanita di seluruh dunia. Menurut American Cancer Society, sekitar 1 dari 8 wanita di Amerika Serikat akan terkena kanker payudara seumur hidup mereka. Meskipun tidak mungkin untuk sepenuhnya mencegah kanker payudara, berbagai organisasi medis menyarankan pemeriksaan rutin untuk mendeteksi dan menangani kasus pada tahap awal. Kepadatan payudara, didefinisikan sebagai proporsi jaringan fibro-kelenjar di dalam payudara, sering digunakan untuk menilai risiko berkembangnya kanker payudara. Sementara berbagai metode tersedia untuk memperkirakan ukuran ini, penelitian telah menunjukkan bahwa penilaian subyektif yang dilakukan oleh ahli radiologi berdasarkan skala analog visual lebih akurat daripada metode lainnya.
Karena evaluasi ahli terhadap kepadatan payudara memainkan peran penting dalam penilaian risiko kanker payudara, mengembangkan kerangka kerja analisis citra yang dapat memperkirakan risiko ini secara otomatis, dengan akurasi yang sama dengan ahli radiologi berpengalaman, sangat diperlukan. Untuk tujuan ini, para peneliti yang dipimpin oleh Prof. Susan M. Astley dari University of Manchester, Inggris, baru-baru ini mengembangkan dan menguji model baru berbasis pembelajaran mendalam yang mampu memperkirakan kepadatan payudara dengan presisi tinggi. Temuan mereka dipublikasikan di Journal of Medical Imaging.
“Keuntungan dari pendekatan berbasis pembelajaran mendalam adalah memungkinkan ekstraksi fitur otomatis dari data itu sendiri,” jelas Astley. “Ini menarik untuk estimasi kepadatan payudara karena kami tidak sepenuhnya memahami mengapa penilaian ahli subjektif mengungguli metode lain.”
Biasanya, melatih model pembelajaran mendalam untuk analisis citra medis merupakan tugas yang menantang karena kumpulan data yang terbatas. Namun, para peneliti berhasil menemukan solusi untuk masalah ini: alih-alih membangun model dari awal, mereka menggunakan dua model pembelajaran mendalam independen yang awalnya dilatih di ImageNet, kumpulan data pencitraan non-medis dengan lebih dari satu juta gambar. Pendekatan ini, yang dikenal sebagai “transfer learning”, memungkinkan mereka untuk melatih model secara lebih efisien dengan data pencitraan medis yang lebih sedikit.
Menggunakan hampir 160.000 gambar mammogram digital bidang penuh yang diberi nilai kepadatan pada skala analog visual oleh para ahli (ahli radiologi, ahli radiografi praktisi lanjutan, dan dokter payudara) dari 39.357 wanita, para peneliti mengembangkan prosedur untuk memperkirakan skor kepadatan untuk setiap gambar mammogram. . Tujuannya adalah untuk mengambil gambar mammogram sebagai input dan menghasilkan skor kepadatan sebagai output.
Prosedurnya melibatkan preprocessing gambar untuk membuat proses pelatihan komputasi kurang intensif, mengekstraksi fitur dari gambar yang diproses dengan model pembelajaran mendalam, memetakan fitur ke satu set skor kepadatan, dan kemudian menggabungkan skor menggunakan pendekatan ansambel untuk menghasilkan hasil akhir. perkiraan kepadatan.
Dengan pendekatan ini, para peneliti mengembangkan model yang sangat akurat untuk memperkirakan kepadatan payudara dan korelasinya dengan risiko kanker, sekaligus menghemat waktu komputasi dan memori. “Kinerja model sebanding dengan para ahli manusia dalam batas-batas ketidakpastian,” kata Astley. “Selain itu, dapat dilatih lebih cepat dan pada dataset kecil atau subset dari dataset besar.”
Khususnya, kerangka pembelajaran transfer mendalam berguna tidak hanya untuk memperkirakan risiko kanker payudara tanpa kehadiran ahli radiologi, tetapi juga untuk melatih model pencitraan medis lainnya berdasarkan perkiraan kepadatan jaringan payudaranya. Ini, pada gilirannya, dapat memungkinkan peningkatan kinerja dalam tugas-tugas seperti prediksi risiko kanker atau segmentasi gambar.
Informasi lebih lanjut: Steven Squires et al, Penilaian otomatis kepadatan mamografi menggunakan metode pembelajaran transfer mendalam, Journal of Medical Imaging (2023). DOI: 10.1117/1.JMI.10.2.024502
Kutipan: Model pembelajaran mendalam memperkirakan risiko kanker dari kepadatan payudara (2023, 7 April) diambil 7 April 2023 dari https://medicalxpress.com/news/2023-04-deep-cancer-breast-density.html
Dokumen ini tunduk pada hak cipta. Terlepas dari kesepakatan yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.