Bir araştırmaya göre, bir yapay zeka (AI) aracı, mamogramlarda meme yoğunluğunu doğru ve tutarlı bir şekilde sınıflandırabiliyor.

Meme yoğunluğu, mamogramlarda yaygın olarak görülen memedeki fibroglandüler doku miktarını yansıtır. Yüksek meme yoğunluğu bağımsız bir meme kanseri risk faktörü olmakla birlikte altta yatan lezyonları maskeleme etkisi mamografinin duyarlılığını azaltır. Sonuç olarak, birçok ABD eyaleti, yoğun memeleri olan kadınların bir mamogramdan sonra bilgilendirilmelerini gerektiren yasalara sahip, böylece kanser tespitini iyileştirmek için ek testlerden geçmeyi seçebilirler.

Klinik uygulamada, meme yoğunluğu, en yaygın olarak Amerikan Radyoloji Koleji Göğüs Görüntüleme-Raporlama ve Veri Sistemi (BI-RADS) dört kategorili skala ile iki görüntülü mamogramlarda görsel olarak değerlendirilir ve Kategori A'dan neredeyse tamamen yağlı göğüslere kadar değişir. Son derece yoğun olan içinse Kategori D. Görsel sınıflandırma, gözlemciler arası değişkenliğe, iki veya daha fazla kişi arasındaki değerlendirmelerdeki farklılıklara ve gözlemci içi değişkenliğe ya da aynı kişi tarafından tekrarlanan değerlendirmelerde ortaya çıkan farklılıklara eğilimli olduğundan, sistemin sınırlamaları vardır.

Bu değişkenliğin üstesinden gelmek için, İtalya'daki araştırmacılar, insan gözünün yeteneklerinin ötesinde görüntülerdeki ince desenleri ayırt edebilen karmaşık bir AI türü olan konvolüsyonel sinir ağları ile derin öğrenme adı verilen karmaşık bir AI türüne dayalı göğüs yoğunluğu sınıflandırması için bir yazılım geliştirdiler. Araştırmacılar, 760 mamografik görüntüyü bağımsız olarak görsel olarak değerlendiren yedi deneyimli radyolog gözetiminde TRACE4BDensity olarak bilinen yazılımı eğitti. Aracın harici doğrulaması, farklı bir merkezden elde edilen 384 mamografik görüntüden oluşan bir veri seti üzerinde fikir birliğine en yakın üç radyolog tarafından yapıldı.

İtalya, Milano'daki Centro Diagnostico Italiano'dan çalışmanın ortak yazarı Sergio Papa şunları söyledi: “Bu aracın özel değeri, pratik kullanılabilirliğini sınırlayan görsel yoğunluğu sınıflandırmasının optimal olmayan tekrarlanabilirliğinin üstesinden gelme olasılığıdır. Yoğunluk atamasını standart bir şekilde öneren sağlam bir araca sahip olmak, karar vermede çok yardımcı olabilir.”

Araştırmacılar, meme kanseri taraması daha kişisel hale geldikçe ve yoğunluk değerlendirmesi risk sınıflandırmasında önemli bir faktörü hesaba katarken, böyle bir aracın özellikle değerli olacağını söyledi.

Kaynak: www.sciencedaily.com