O câncer de mama é o mais incidente em mulheres, excetuando-se os casos de pele não melanoma. Os casos representam 25% do total de casos de câncer femininos no mundo em 2012, com aproximadamente 1,7 milhão de casos novos naquele ano. É a quinta causa de morte por câncer em geral (522.000 óbitos) e a causa mais frequente de morte por câncer em mulheres.
No Brasil, excluídos os tumores de pele não melanoma, o câncer de mama também é o mais incidente em mulheres de todas as regiões, exceto na região Norte, onde o câncer do colo do útero ocupa a primeira posição. Para o ano de 2018 foram estimados 59.700 casos novos.
A incidência do câncer de mama tende a crescer progressivamente a partir dos 40 anos, assim como a mortalidade por essa neoplasia. Na população feminina abaixo de 40 anos, ocorrem menos de 10 óbitos a cada 100 mil mulheres, enquanto na faixa etária a partir de 60 anos o risco é 10 vezes maior. O câncer de mama é a segunda principal causa de morte relacionada ao câncer entre as mulheres nos EUA.
Estudos avançados
É por isso que pesquisadores da Universidade de Nova York estão investigando uma técnica orientada por IA que promete uma precisão muito maior do que os testes atuais. Em um artigo publicado recentemente no Arxiv.org (“Redes Neurais Profundas Melhoram o Desempenho dos Radiologistas no Rastreio do Câncer de Mama”), eles descrevem um algoritmo de aprendizado de máquina comumente usado na classificação de imagens. Além disso, eles afirmam que, quando calculada a média da probabilidade de malignidade prevista por um radiologista a partir dos resultados do sistema de IA, o resultado é maior do que qualquer método obtido separadamente.
O código e os modelos pré-treinados de melhor desempenho estão disponíveis no Github.
Neste trabalho, propomos uma nova arquitetura de rede neural… para lidar eficientemente com um grande conjunto de dados de mamografias mamárias de alta resolução com rótulos comprovados por biópsia, explicam os autores do artigo. Mostramos experimentalmente que nosso modelo é tão preciso quanto um radiologista experiente e que pode melhorar a precisão dos diagnósticos dos radiologistas quando usado como segundo leitor … O fato de que os exames previamente não vistos com malignidades foram encontrados pela rede como similares corrobora ainda mais. que nosso modelo exibe fortes capacidades de generalização.
Notícias Relacionadas
Inovação automotiva
Xiaomi expande atuação em veículos elétricos
Xiaomi avança na expansão internacional de seus veículos elétricos, com modelos como o SU7 e o SUV YU7. Estratégia inclui vendas iniciais em pequenos lotes e ajuste para o mercado global.
Mercado Automotivo
Samsung Display ganha força no mercado lucrativo de painéis automotivos
A Samsung Display está crescendo no mercado de painéis automotivos, com um aumento significativo nas remessas de painéis OLED, consolidando sua posição no setor.
Como funciona
A equipe iniciou o fornecimento de um conjunto de dados contendo 229.426 exames de mamografia digital (1.001.093 imagens) de 141.473 pacientes. Cada um contendo pelo menos quatro imagens correspondentes às quatro visualizações normalmente usadas em exames mamográficos (craniocaudal direito, craniocaudal esquerdo, oblíquo mediolateral direito e oblíquo mediolateral esquerdo). Eles extraíram rótulos de 5.832 exames com pelo menos uma biópsia realizada até 120 dias após a mamografia, e então recrutaram uma equipe de radiologistas – todos os quais forneceram relatórios de patologia de apoio – para indicar onde as biópsias foram feitas.
Para cada mama estudada, os pesquisadores atribuíram dois rótulos binários para um total de quatro rótulos – (1) a ausência ou (2) presença de achados malignos, e (3) a ausência ou (4) presença de achados benignos – que eles usaram para treinar a rede. Eles também alimentaram um sistema de IA auxiliar no nível de patch com rótulos das análises de nível de pixel dos radiologistas, e usaram as previsões tanto do modelo quanto do modelo primário para criar heatmaps para imagens de exames estimando a probabilidade de achados malignos e benignos.
Resultados promissores
Os pesquisadores admitem que o conjunto de dados de treinamento é relativamente pequeno e que, apesar da simplicidade arquitetônica do modelo, seria impossível treinar de ponta a ponta com a maioria dos hardwares. Ainda assim, eles dizem que é um passo promissor em direção a um modelo de rastreamento do câncer que pode ajudar a orientar os médicos na tomada de decisões diagnósticas.
[Os resultados] sugerem que nossa rede e radiologistas aprenderam diferentes aspectos da tarefa e que nosso modelo pode ser eficaz como uma ferramenta que fornece aos radiologistas um segundo leitor, escreveram os pesquisadores. Com essa contribuição, grupos de pesquisa que estão trabalhando na melhoria da mamografia de rastreamento, que podem não ter acesso a um grande conjunto de dados de treinamento como o nosso, poderão usar diretamente nosso modelo em suas pesquisas ou usar nossos pesos pré-treinados como inicialização para treinar. modelos com menos dados. Ao tornar nossos modelos públicos, convidamos outros grupos a validar nossos resultados e testar sua robustez a mudanças na distribuição de dados.
A NYU não é a única instituição que aplica a IA à detecção do câncer de mama. No ano passado, o Google disse que um sistema desenvolvido por ele – apelidado de Lymph Node Assistant, ou LYNA – alcançou uma eficiência de até 99% na detecção do câncer em áreas específicas do corpo. O Baidu também alega ter arquitetado um algoritmo de aprendizado que supera os patologistas humanos em sua capacidade de identificar a metástase do câncer de mama.
