Rak dojke je najčešći rak koji pogađa žene širom sveta. Prema Američkom društvu za rak, oko 1 od 8 žena u Sjedinjenim Državama će razviti rak dojke tokom svog života. Iako nije moguće u potpunosti sprečiti rak dojke, razne medicinske organizacije savetuju redovne skrininge kako bi se otkrili i lečili slučajevi u ranoj fazi. Gustina dojke, definisana kao proporcija fibro-glandularnog tkiva unutar dojke, često se koristi za procenu rizika od razvoja raka dojke. Iako su dostupne različite metode za procenu ove mere, studije su pokazale da su subjektivne procene koje su radili radiolozi na osnovu vizuelnih analognih skala tačnije od bilo koje druge metode.
Kako stručne procene gustine dojke igraju ključnu ulogu u proceni rizika od raka dojke, veoma je poželjan razvoj okvira za analizu slike koji mogu automatski proceniti ovaj rizik, sa istom tačnošću kao iskusni radiolog. U tom cilju, istraživači predvođeni prof. Suzan M. Astlei sa Univerziteta u Mančesteru, Ujedinjeno Kraljevstvo, nedavno su razvili i testirali novi model zasnovan na dubokom učenju koji je sposoban da proceni gustinu grudi sa visokom preciznošću. Njihovi nalazi su objavljeni u Journal of Medical Imaging.
„Prednost pristupa zasnovanog na dubokom učenju je u tome što omogućava automatsko izdvajanje karakteristika iz samih podataka“, objašnjava Astlei. „Ovo je privlačno za procene gustine dojki jer ne razumemo u potpunosti zašto subjektivne stručne procene nadmašuju druge metode.“
Obično je obuka modela dubokog učenja za analizu medicinske slike izazovan zadatak zbog ograničenih skupova podataka. Međutim, istraživači su uspeli da pronađu rešenje za ovaj problem: umesto da izgrade model iz temelja, koristili su dva nezavisna modela dubokog učenja koji su prvobitno obučeni na ImageNet-u, skupu podataka nemedicinskog snimanja sa preko milion slika. Ovaj pristup, poznat kao „učenje o prenosu“, omogućio im je da efikasnije obuče modele sa manje medicinskih podataka o slikama.
Koristeći skoro 160.000 digitalnih mamografskih slika punog polja kojima su stručnjaci (radiolozi, napredni radiografi i lekari za dojke) dodelili vrednosti gustine na vizuelnoj analognoj skali od 39.357 žena, istraživači su razvili proceduru za procenu rezultata gustine za svaku sliku mamograma. Cilj je bio da se mamografska slika uzme kao ulaz i dobije rezultat gustine kao izlaz.
Procedura je uključivala prethodnu obradu slika kako bi proces obuke bio računarski manje intenzivan, izdvajanje karakteristika iz obrađenih slika pomoću modela dubokog učenja, mapiranje karakteristika u skup rezultata gustine, a zatim kombinovanje rezultata koristeći ansambl pristup da bi se proizveo konačni procena gustine.
Ovim pristupom, istraživači su razvili veoma precizne modele za procenu gustine dojke i njene korelacije sa rizikom od raka, uz očuvanje vremena računanja i memorije. „Performanse modela su uporedive sa performansama ljudskih stručnjaka u granicama neizvesnosti“, kaže Astlei. „Štaviše, može se trenirati mnogo brže i na malim skupovima podataka ili podskupovima velikog skupa podataka.“
Značajno je da je okvir učenja dubokog transfera koristan ne samo za procenu rizika od raka dojke u odsustvu radiologa, već i za obuku drugih medicinskih modela snimanja na osnovu procene gustine tkiva dojke. Ovo, zauzvrat, može omogućiti poboljšane performanse u zadacima kao što su predviđanje rizika od raka ili segmentacija slike.
