Itä-Suomen yliopiston tutkijoiden luoman tekoälypohjaisen algoritmin avulla rintakudoksen tiheyttä voidaan arvioida entistä tarkemmin mammografiakuvista. Uusi MV-DEFEAT-algoritmi voisikin tehostaa rintasyöpien seulontaa ja mahdollistaa aiempaa tarkemmat diagnoosit.
Tiheään rintakudokseen liittyy kohonnut rintasyövän riski, ja tiheyttä voidaan arvioida mammografiakuvista. Tehokas rintasyöpäseulonta edellyttää mammografiakuvien tarkkaa arviointia. Radiologisten arvioiden vaihtelevuus ja maailmanlaajuinen pula radiologeista asettavat kuitenkin omat haasteensa. Syväoppimismenetelmiä hyödyntävä MV-DEFEAT-algoritmi jäljittelee radiologien päätöksentekoprosesseja arvioimalla rintakudoksen tiheyttä eri kuvakulmista samanaikaisesti.
Tutkimusryhmä, johon kuuluvat väitöskirjatutkija Gudhe Raju, professori Arto Mannermaa ja yliopistotutkija Hamid Behravan, kehittää tekoälymenetelmiä syövän hoitoon ja diagnostiikkaan. Nyt julkaistussa tutkimuksessa käytetty uusi syväoppimismalli yhdistää Dempsterin-Shaferin evidenssiteorian ja subjektiivisen logiikan elementtejä mammografiakuvien arvioimiseksi samanaikaisesti useista eri kuvakulmista, mikä mahdollistaa niiden entistä kattavamman analyysin.
MV-DEFEAT-algoritmi osoittautui huomattavasti nykyisin käytössä olevia menetelmiä tarkemmaksi määrittelemään automaattisesti ja luotettavasti tiheän rintakudoksen määrän ja sijainnin rinnassa. Esimerkiksi yli 10 000 mammografiakuvaa sisältävässä julkisessa VinDr-Mammo-tietoaineistossa algoritmi onnistui erottelemaan hyvän- ja pahanlaatuiset kasvaimet toisistaan peräti 50,78 % paremmin kuin aiempi eri kuvakulmia yhdistelevä lähestymistapa.
Alla olevassa kuvassa MV-DEFEAT-algoritmin kiinnostaviksi tunnistamat alueet on merkattu mammografiakuviin punaisella. Näin algoritmi voi auttaa radiologia päätöksentekoprosessissa.
Ylärivissä alkuperäiset eri kulmista otetut mammografiakuvat. Alarivissä punaisella alueet, joihin algoritmi keskittyi arvioidessaan rinnan tiheyttä. Malli oppii itse tunnistamaan rinnan tiheyden luokittelun kannalta tärkeät alueet.
Algoritmi osoittautui yhtä toimivaksi eri väestöistä peräisin olevissa potilasaineistoissa. Tutkimuksessa hyödynnettiin laajasti neljää avoimen lähdekoodin tietoaineistoa, mikä parantaa algoritmin käytettävyyttä ja tarkkuutta.
Tutkimus havainnollistaa tekoälyyn perustuvien lähestymistapojen hyötyjä lääketieteellisessä diagnostiikassa. MV-DEFEAT-algoritmi voi merkittävästi tehostaa rintasyövän seulontaa, mutta tutkijoiden mukaan sitä tulee edelleen validoida ja kehittää, jotta sen luotettavuus ja tehokkuus potilasympäristöissä voidaan varmistaa.
Tutkimuksen lupaavat tulokset voivat edistää tekoälyn käyttöä diagnostiikassa ja sen myötä mahdollisesti rintasyövän aikaisempaa havaitsemista ja parempia hoitotuloksia.
– Tällaisten tekoälypohjaisten menetelmien integrointi potilastyöhön edellyttää niiden perusteellista testausta ja validointia, niin että terveydenhuollon ammattilaiset voivat todella luottaa niihin tehdessään diagnostiikkaan ja hoitoon liittyviä päätöksiä. Seuraavaksi suunnitelmissamme onkin tehdä lisää validointitutkimuksia, jotta MV-DEFEAT-algoritmi voi vakiinnuttaa paikkansa luotettavana rintasyövän diagnostiikkatyökaluna Suomessa, sanoo väitöskirjatutkija Raju Gudhe Itä-Suomen yliopistosta.
Tutkimusartikkeli:
Gudhe, N.R., Mazen, S., Sund, R., Kosma, V.M., Behravan, H. and Mannermaa, A., 2024. A Multi-view deep evidential learning approach for mammogram density classification. IEEE Access.
Lisätietoja:
Väitöskirjatutkija Raju Gudhe, raju.gudhe@uef.fi
Monitieteinen syöpätutkimus -tutkimusyhteisö, Itä-Suomen yliopisto
Yliopistotutkija Hamid Behravan, hamid.behravan@uef.fi
Monitieteinen syöpätutkimus -tutkimusyhteisö, Itä-Suomen yliopisto
Professori Arto Mannermaa, arto.mannermaa@uef.fi
Monitieteinen syöpätutkimus -tutkimusyhteisö, Itä-Suomen yliopisto
