Краудсорсинговий виклик штучного інтелекту для покращення аналізу мамографій завершився

Мамографію важливо проводити для здоров’я жінок та для виявлення ранніх ознак раку молочної залози. Однак мамографію потрібно інтерпретувати людським спеціалістам, і навіть високо кваліфіковані спеціалісти можуть помилятися. Оцінюється, що рівень хибно позитивних результатів мамографії становить близько 10% у США. Для створення систем, які можуть давати більш точні результати мамографії, Digital Mammography (DM) Dream Challenge недавно створив краудсорсингове підприємство для розробки нових алгоритмів читання мамографій

Як повідомляє PhysicsWorld, техніки комп’ютерного зору та алгоритми глибокого навчання стали більш складними за останні кілька років, дослідники та інженери звертаються до використання штучного інтелекту для інтерпретації мамографій, спрямованих на підвищення точності. Digital Mammography (DM) Dream Challenge запустив конкурс для дослідження використання алгоритмів штучного інтелекту для виявлення можливих ознак раку молочної залози.

Виклик DM Dream є найбільшим досі дослідженням алгоритмів глибокого навчання щодо інтерпретації мамографій. Джастін Ганні, президент викликів DREAM, пояснив, що причина викликів полягає в тому, що це дозволяє проводити структуровану оцінку десятків моделей глибокого навчання на двох різних базах даних. Учасникам виклику потрібно було розробити алгоритми, які можна було б навчати на даних мамографії та виводити ймовірність того, що пацієнтка буде діагностована з раком молочної залози протягом року. Була також друга умова виклику. У другому завданні алгоритми могли бути навчені на додатковій інформації, такій як демографічні дані ризику, клінічні дані та зображення, зібрані під час попередніх скринінгових обстежень.

Було використано два набори даних для навчання моделей. Перший набір даних був зібраний дослідниками зі США в Kaiser Permanente Washington (KPW). Другий набір даних був зібраний шведськими дослідниками в Каролінському інституті (KI).

У виклик взяли участь понад 1100 учасників, розділених на 126 команд, які складалися з людей з усього світу. Під час першої частини виклику моделі були навчені за допомогою набору даних KPW, який включав зображення з понад 140 000 скринінгових обстежень. При порівнянні з результатами другого виклику було виявлено, що доступ до додаткових функцій, таких як клінічні дані, не суттєво покращував дискримінативну здатність алгоритмів. Однак команда DM Dream вважає, що майбутня розробка алгоритмів повинна включати аналіз попередніх зображень пацієнток, припускаючи, що учасники можуть не повністю використати дані.

За даними Health IT Analytics, команда DR Dream хоче, щоб перші вісім команд, які показали найкращі результати, співпрацювали та розробили модель ансамблевої класифікації, щоб побачити, чи зможе ця модель потенційно перевершити індивідуальні моделі. Координатори виклику потім використали зважену агрегацію прогнозів різних алгоритмів, створивши модель Challenge Ensemble (CEM). Вероятністичні прогнози моделі CEM були порівняні з інтерпретаціями радіологів, оціненими за специфікою. Радіологи досягли 90,5% специфіки, тоді як модель CEM досягла лише 76,1% специфіки. Хоча результати здаються розчаровуючими, коли передбачення моделі CEM та інтерпретація радіолога були агреговані в іншу модель (CEM+R), специфіка покращилася до 92%.

Порівнянні результати були досягнуті на тестовому наборі даних KI, який використовувався виключно для валідації моделей, який містив зображення понад 166 000 обстежень. Модель CEM була трохи гіршою за радіологів (92,5% специфіки порівняно з 96,7% специфіки), але модель CEM+R досягла кращих результатів (98,5% специфіки).

Хоча жодна з індивідуальних моделей не змогла перевершити людських спеціалістів, модель CEM+R мала незначну перевагу порівняно з інтерпретацією радіологів окремо. Можливо, що поєднання людської інтуїції з помічником штучного інтелекту може покращити точність.