امتیازهای خطر مبتنی بر تصویربرداری هوش مصنوعی ارزیابی پویا سرطان سینه را امکان پذیر می کند

محققان با استفاده از هوش مصنوعی (AI)، دریافته‌اند که امتیازات خطر سرطان پستان مبتنی بر تصویر که از ماموگرافی غربالگری به دست می‌آید، در طول زمان تغییر می‌کند و بین زنانی که به سرطان مبتلا می‌شوند و زنانی که مبتلا نمی‌شوند، متفاوت است، و دریچه‌ای را به روی عصر جدیدی از ارزیابی خطر پویای سرطان سینه باز می‌کند. تحقیقات جدید امروز در منتشر شده است رادیولوژیمجله انجمن رادیولوژی آمریکای شمالی (RSNA).

مدل‌های یادگیری عمیق اکنون می‌توانند امتیاز خطر سرطان سینه را مستقیماً از غربالگری ماموگرافی، با استفاده از کل تصویر به جای یک ویژگی محدود و از پیش تعریف‌شده مانند تراکم، ایجاد کنند. این مدل‌ها نسبت به مدل‌های خطر سنتی و تراکم سینه به تنهایی در تخمین خطر ابتلا به سرطان پستان در زنان در پنج سال عملکرد بهتری داشتند.

اکثر زنانی که سرطان سینه تشخیص داده می شود، هیچ جهش ژنتیکی شناخته شده ای ندارند یا سابقه خانوادگی این بیماری گزارش شده است. مدل‌های ریسک سنتی قدرت تبعیض‌آمیز محدودی در تنظیمات غربالگری مبتنی بر جمعیت دارند.

مدل‌های یادگیری عمیق در درجه اول برای تخمین پیامدهای خطر سرطان در یک زمان ثابت استفاده شده‌اند. در این مطالعه، ما تغییرات طولی در امتیاز یادگیری عمیق خطر ابتلا به سرطان پستان را با استفاده از ماموگرافی سریال از یک گروه بزرگ غربالگری ارزیابی کردیم.

Constance D. Lehmann، MD، Ph.D.، محقق اصلی، استاد رادیولوژی، دانشکده پزشکی هاروارد و مدیر عامل Clairity, Inc.

این مطالعه شامل زنانی می‌شود که بین سال‌های 2009 تا 2019 در شش مرکز تصویربرداری در بخش‌های شهری، جامعه محور و روستایی تحت ماموگرافی غربالگری قرار گرفتند. همه معاینات، معاینات غربالگری دیجیتال دو بعدی دو بعدی تمام میدان بود که با یا بدون توموسنتز پستان دیجیتالی به دست آمد.

در مجموع 239703 ماموگرافی غربالگری 2 بعدی متوالی از 89882 بیمار در ابتدا در گروه مطالعه قرار گرفتند. پس از حذف، گروه نهایی شامل 54014 زن (میانگین سنی 61 سال) با 817 بیمار سرطانی و 53197 کنترل بدون سرطان بود. هر زن یک معاینه شاخص (که به عنوان ماموگرافی غربالگری نهایی در یک سال قبل از تشخیص سرطان سینه یا ماموگرافی نهایی در دوره مطالعه پنج ساله برای کنترل های بدون سرطان تعریف می شود) و حداکثر شش ماموگرافی سالانه قبلی، در مجموع 158807 ماموگرافی انجام داد. میانگین تعداد ماموگرافی غربالگری برای هر زن سه مورد است.

یک مدل یادگیری عمیق فقط با تصویر منبع باز معتبر برای همه ماموگرافی ها برای ایجاد امتیاز خطر ابتلا به سرطان پستان پنج ساله مستمر اعمال شد. هیچ داده دموگرافیک، بالینی یا تصویربرداری تاریخی استفاده نشد.

در مجموع 817 زن (1%) در عرض 365 روز پس از معاینه شاخص خود به سرطان پستان مبتلا شدند، از جمله 451 (55%) سرطان مهاجم، 118 (14%) با سرطان مجرای درجا (DCIS) و 248 (30%) با سرطان ناشناخته. از این تعداد، 682 (83٪) سرطان های غربالگری و 135 (17٪) سرطان های اینتروال بودند. 53197 زن باقی مانده (98٪) در طول پیگیری به سرطان پستان تشخیص داده نشدند و به عنوان گروه کنترل بدون سرطان طبقه بندی شدند.

محققان نمرات خطر 817 زن مبتلا به سرطان مهاجم یا DCIS را با 53197 فرد کنترل بدون سرطان مقایسه کردند.

دکتر لمان گفت: «ما تفاوت‌های بالینی معنی‌داری را در مسیر خطر بین زنان مبتلا به سرطان مشاهده کردیم. “افزایش نتایج در میان بیماران سرطانی قبلاً شش سال قبل از تشخیص قابل توجه بود و با گذشت زمان مشخص تر شد.”

در میان بیماران سرطانی، امتیاز خطر هوش مصنوعی در شش سال قبل از تشخیص به تدریج افزایش یافت، با میانگین امتیاز از 2.1 در پنج تا شش سال اول دوره مطالعه به 6.6 در معاینه شاخص افزایش یافت. زنان بدون سرطان نمرات ثابتی را در تمام مقاطع زمانی نشان دادند که میانگین آن بین 1.8 تا 2.2 در طول دوره مطالعه بود.

دکتر لمان گفت: «این یافته‌ها نشان می‌دهد که سیگنال‌های نامرئی با چشم انسان در تصویر به تنهایی می‌توانند خطرات آینده را پیش‌بینی کنند. “این هیجان انگیز است زیرا 85 درصد از زنانی که سرطان سینه تشخیص داده شده است، سابقه خانوادگی قابل توجهی از سرطان سینه یا جهش های ژنتیکی شناخته شده ندارند.”

دکتر لمان خاطرنشان کرد که اکثر سرطان‌های سینه پراکنده هستند، به این معنی که این سرطان‌ها توسط ارث خانوادگی یا ژنتیک ایجاد نمی‌شوند.

او گفت: «نمرات خطر ناشی از هوش مصنوعی می‌تواند بیمارانی را شناسایی کند که مستعد ابتلا به این بیماری هستند، و یافته‌های ما نشان می‌دهد که امتیازات خطر هوش مصنوعی مبتنی بر تصویر در طول زمان تکامل می‌یابد و تغییرات در این امتیازات می‌تواند اطلاعات بیشتری در مورد خطر ابتلا به سرطان پستان در آینده ارائه دهد.»

مسیر پیامد خطر در میان بیماران سرطانی در سالهای بلافاصله قبل از تشخیص به شدت افزایش یافته است. افزایش تدریجی نمرات در سالهای اولیه دوره تحصیلی با افزایش بسیار شدیدتر دو سال قبل از امتحان شاخص به دنبال داشت. در مقابل، مسیرهای بدون سرطان در طول دوره مطالعه اساساً ثابت باقی ماندند.

دکتر لمان گفت: «این روندها در بین زیر گروه‌هایی که بر اساس سن و تراکم پستان تعریف شده‌اند، قوی باقی ماندند و از تعمیم‌پذیری یافته‌های ما بیشتر حمایت کردند. “این به ویژه با توجه به تفاوت‌های مداوم در عملکرد غربالگری در بین جمعیت‌های بیمار مرتبط است. یک رویکرد نشانگر زیستی پویا مبتنی بر داده‌های تصویربرداری ممکن است برخی از این نابرابری‌ها را با امکان شخصی‌سازی مبتنی بر ریسک که بر داده‌های بالینی خود گزارش‌شده یا متناقض متکی نیست، کاهش دهد.”

دکتر Lehmann گفت که یافته های این مطالعه از پتانسیل مدل های ریسک مبتنی بر تصویر به عنوان نشانگرهای زیستی تصویربرداری پویا برای هدایت استراتژی های کاهش ریسک شخصی سازی شده پشتیبانی می کند.

او گفت: “با قدرت هوش مصنوعی، بینایی کامپیوتری و توانایی استخراج داده های پیش بینی، ما قادریم از قدرت تصویربرداری برای ارزیابی خطر و جلوگیری از پیشرفت بیماری استفاده کنیم.” “داشتن یک امتیاز خطر پویا، حوزه جدیدی از درمان های پیشگیرانه موثرتر برای سرطان سینه را باز می کند، مشابه نحوه غربالگری و درمان بیماران مبتلا به کلسترول بالا و فشار خون بالا.”

نمرات خطر بر اساس تصویربرداری هوش مصنوعی در دستورالعمل‌های سال 2026 شبکه ملی جامع سرطان گنجانده شده است. دستورالعمل ها توصیه می کنند که از سن 35 سالگی، زنان با نمره خطر بالای پنج ساله (بیش از 1.7٪) باید علاوه بر ماموگرافی سالانه، MRI سینه را نیز در نظر بگیرند.

یک مدل ارزیابی خطر پنج ساله مبتنی بر هوش مصنوعی و تصویر مبتنی بر تایید FDA در حال حاضر در موسسات مراقبت های بهداشتی منتخب در ایالات متحده در عمل بالینی است.