Ένα μοντέλο deep learning το οποίο είναι σε θέση να προβλέπει από μια μαστογραφία εάν η ασθενής θα παρουσιάσει καρκίνο στο στήθος εντός διαστήματος μέχρι και πέντε ετών στο μέλλον ανέπτυξαν ερευνητές του CSAIL (Computer Science and Artificial Intelligence Laboratory) του ΜΙΤ και του Massachusetts General Hospital (MGH).
Όπως αναφέρει το MIT News, η συγκεκριμένη τεχνητή νοημοσύνη έχει «εκπαιδευτεί» με μαστογραφίες, εξετάσεις και γνωστά αποτελέσματα από πάνω από 60.000 ασθενείς του MGH, «μαθαίνοντας» έτσι τα μοτίβα στον ιστό τα οποία υποδεικνύουν πως στο μέλλον μπορούν να εμφανιστούν κακοήθεις όγκοι.
Η Ρετζίνα Μπαρτσιλέι, καθηγήτρια του ΜΙΤ που έχει περάσει η ίδια καρκίνο του μαστού, σημειώνει πως απώτερος στόχος είναι τέτοιου είδους συστήματα να παρέχουν στους γιατρούς τη δυνατότητα δημιουργίας εξατομικευμένων προγραμμάτων εξέτασης και πρόληψης, καθιστώντας έτσι τις αργοπορημένες διαγνώσεις παρελθόν.
«Αντί να χρησιμοποιούμε μια προσέγγιση για όλες τις περιπτώσεις, μπορούμε να εξατομικεύουμε την εξέταση σχετικά με τον κίνδυνο που διατρέχει μια γυναίκα να παρουσιάσει καρκίνο» σημειώνει η Μπαρτσιλέι, senior author ενός νέου paper σχετικά με το project που δημοσιοποιήθηκε στο Radiology. «Για παράδειγμα, ένας γιατρός μπορεί να συστήσει μια ομάδα γυναικών να κάνει μαστρογραφία χρονιά παρά χρονιά, ενώ μια άλλη ομάδα, υψηλότερου κινδύνου, να κάνει συμπληρωματικές εξετάσεις MRI».
Σε κάθε περίπτωση, το μοντέλο που ανέπτυξε η ομάδα ήταν σημαντικά καλύτερο ως προς την πρόβλεψη κινδύνου σε σχέση με υπάρχουσες μεθόδους, καθώς έβαλε ορθώς το 31% των ασθενών στην κατηγορία του πιο υψηλού κινδύνου, συγκριτικά με μόλις ένα 18% των «παραδοσιακών» μοντέλων.
Η Κόνστανς Λέμαν, καθηγήτρια του Χάρβαρντ, λέει πως στο παρελθόν υπήρχε πολύ μικρή υποστήριξη στην ιατρική κοινότητα για στρατηγικές εξετάσεων που είναι βάση τον κίνδυνο και όχι την ηλικία. «Αυτό οφείλεται στο ότι δεν είχαμε ακριβή εργαλεία αξιολόγησης που λειτουργούσαν για συγκεκριμένες γυναίκες» τονίζει σχετικά, υπογραμμίζοντας πως η συγκεκριμένη έρευνα- την οποία πραγματοποίησαν η ίδια, η Μπαρτσιλέι και ο Άνταμ Γιάλα, διδακτορικός του CSAIL- είναι η πρώτη που δείχνει ότι κάτι τέτοιο είναι δυνατόν.
Από το πρώτο μοντέλο κινδύνου καρκίνου του μαστού το 1989 και μετά, η ανάπτυξή τους βασιζόταν κυρίως στις γνώσεις και τη διαίσθηση των γιατρών σχετικά με τους παράγοντες κινδύνου (ηλικία, οικογενειακό ιστορικό κ.α.). Ωστόσο, οι περισσότεροι από αυτούς τους παράγοντες δεν παρουσίαζαν ισχυρούς συσχετισμούς με τον καρκίνο του μαστού. Ως αποτέλεσμα, τα μοντέλα αυτού του είδους δεν είναι πολύ ακριβή σε επίπεδο ατόμου.
Αυτό που έκαναν οι ερευνητές του ΜΙΤ και του MGH ήταν να «εκπαιδεύσουν» ένα μοντέλο deep learning έτσι ώστε να αντιλαμβάνεται μοτίβα απευθείας από δεδομένα: Χρησιμοποιώντας πληροφορίες από πάνω από 90.000 μαστογραφίες, το μοντέλο αυτό εντόπισε μοτίβα τα οποία ήταν πολύ αχνά/ ανεπαίσθητα για να τα αντιληφθεί το ανθρώπινο μάτι.
«Από τη δεκαετία του 1960 ακόμα οι ακτινολόγοι είχαν αντιληφθεί πως οι γυναίκες έχουν μοναδικά και εξαιρετικά ποικιλόμορφα μοτίβα ιστού ορατά στις μαστογραφίες» λέει η Λέμαν. «Αυτά τα μοτίβα μπορεί να αντιπροσωπεύουν τις επιρροές της γενετικής, των ορμονών, της εγκυμοσύνης, του θηλασμού, της δίαιτας, της απώλειας βάρους κλπ. Μπορούμε πλέον να αξιοποιήσουμε αυτές τις λεπτομερείς πληροφορίες για να είμαστε πιο ακριβείς στην αξιολόγηση κινδύνου μας, σε ατομικό επίπεδο».
Αξίζει να σημειωθεί πως η Μπαρτσιλέι ελπίζει ότι κάποια στιγμή το σύστημα αυτό θα μπορούσε να δώσει σε γιατρούς τη δυνατότητα χρήσης μαστογραφιών και για να διαπιστώνεται εάν οι ασθενείς κινδυνεύουν και από άλλα προβλήματα υγείας, όπως καρδιοπάθειες και άλλες μορφές καρκίνου.
