A IA ajuda a caracterizar as massas mamárias ao ultrassom

Uma equipe de pesquisa liderada por Xuejun Qian, PhD, da Universidade do Sul da Califórnia e Bo Zhang, PhD, da Central South University em Hunan, China, descobriu que seu algoritmo de aprendizado profundo tinha concordância substancial com os radiologistas para fornecer a classificação BI-RADS.

06 Fev, 2020

Um algoritmo de inteligência artificial (IA) por ultrassom da mama conseguiu diferenciar as massas mamárias com alto nível de precisão combinando a análise de imagens Doppler em modo B e coloridas, de acordo com pesquisa publicada on-line em 31 de janeiro na European Radiology. Ele até apresentou um desempenho comparável aos radiologistas experientes.

Uma equipe de pesquisa liderada por Xuejun Qian, PhD, da Universidade do Sul da Califórnia e Bo Zhang, PhD, da Central South University em Hunan, China, descobriu que seu algoritmo de aprendizado profundo tinha concordância substancial com os radiologistas para fornecer a classificação BI-RADS. Também produziu alta sensibilidade e especificidade. "As decisões determinadas pelo modelo e medidas quantitativas de cada categoria descritiva podem potencialmente ajudar os radiologistas a otimizar a tomada de decisão clínica", escreveram os autores. 

A interpretação do ultrassom da mama tem sido caracterizada por reprodutibilidade variável entre e intra-leitores, com falsos positivos mais altos do que outros exames de imagem, de acordo com os pesquisadores. Buscando desenvolver um sistema automatizado de classificação de mama que pudesse melhorar a consistência e o desempenho, eles reuniram um conjunto de treinamento de 103.212 massas mamárias e um conjunto de validação de 2.748 massas mamárias independentes em dois hospitais chineses entre agosto de 2014 e março de 2017.

Eles também montaram um conjunto de testes de 605 massas de mama comprovadas por biópsia, classificadas como BI-RADS 2 a 5, de março de 2017 a setembro de 2017. Em seguida, os pesquisadores treinaram duas redes neurais convolucionais: uma baseada apenas em imagens no modo B e outra em imagens no modo B e Doppler colorido. Nos casos de validação, o modelo baseado na análise de imagens no modo B e no Doppler colorido apresentou um nível de concordância mais alto (kappa = 0,73) com os radiologistas originais para a categorização BI-RADS do que a rede baseada apenas nas imagens no modo B ( kappa = 0,58). A diferença foi estatisticamente significante (p <0,001).

Eles então avaliaram o desempenho de ambos os modelos no conjunto de testes de 605 massas.

Performance of neural networks for classifying breast masses on test set

 

Model based on B-mode images

Model based on both B-mode and color Doppler images

Sensitivity

96.8%

97.1%

Specificity

75.5%

88.7%

Accuracy

85.3%

92.6%

Area under the curve (AUC)

0.956

0.982

 

Os pesquisadores observaram que a adição de informações sobre o Doppler colorido melhorou a especificidade e a precisão do algoritmo em uma base estatisticamente significativa (p <0,001). O pequeno aumento na sensibilidade não foi estatisticamente significativo, no entanto. "No geral, as informações de Doppler devem ser incorporadas aos protocolos de exame de [ultra-som] para massas mamárias, e o uso de um sistema dual-modal pode melhorar o diagnóstico de câncer", escreveram os autores.

Os pesquisadores também tiveram 10 radiologistas com três a 20 anos de experiência em imagem de mama avaliando as 605 massas no conjunto de testes. Nove dos 10 radiologistas apresentaram sensibilidade que variava de 87,8% a 94,6%, enquanto o último radiologista apresentou sensibilidade de 64,7%. O mesmo radiologista teve a maior especificidade (98,5%), com os demais participantes produzindo sensibilidade variando de 84,1% a 91,7%. No geral, os 10 leitores produziram uma AUC de 0,948.

"Esses resultados indicam que o desempenho do modelo 2 atingiu os níveis dos especialistas humanos", concluíram os autores.

Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=ult&pag=dis&ItemID=128038

Compartilhe


NOTÍCIAS RELACIONADAS