Os modelos RSNA AI Challenge mostram um excelente desempenho para a detecção de câncer de mama em imagem de mama X -Ray

Os algoritmos apresentados ao Ingio Challenge, organizados pela Associação Radiológica na América do Norte (RSNA), mostraram um excelente desempenho para a descoberta de câncer de mama em mamografias e aumento do exame do exame, mantendo as baixas taxas de convocação, de acordo com um estudo publicado hoje em hoje em RaioO Premier Journal of RSNA.

O desafio da mama no RSNA, o desafio de detectar o câncer de mama, foi uma competição coletiva usada em 2023, com a participação de mais de 1500 equipes. o Raio Detalhes do material como análise do desempenho dos algoritmos, liderados por Yan Chen, PhD, Professor de Exame de Câncer na Universidade de Nutingham, no Reino Unido.

Ficamos imersos no tamanho dos competidores e no número de algoritmos internacionais de anistia que foram apresentados como parte do desafio. É um dos mais desafios que participam do RSNA. Também fomos afetados pelo desempenho dos algoritmos, dada a janela curta relativamente permitida para desenvolver o algoritmo e os requisitos da fonte de treinamento de fontes abertas. “

Yan Chen, PhD, Professor de Exame de Câncer, Universidade de Nottingham

O objetivo do desafio foi obter modelos de inteligência artificial que melhoram a automação da detecção de câncer no exame de imagens de mama de raios X, ajudando os radiologistas a trabalhar com mais eficiência, melhorando a qualidade e a segurança do atendimento ao paciente e possivelmente custos desnecessários e procedimentos médicos.

A RSNA convidou as equipes em todo o mundo. A Emory University, em Atlanta, Geórgia, e a equipe de amamentação da Victoria na Austrália apresentaram um conjunto de dados de treinamento que inclui cerca de 11.000 fotos de exame de mama, e os desafios também podem ser a fonte de dados disponíveis ao público para seus algoritmos.

A equipe de pesquisa do professor Chen avaliou 1.537 algoritmos de trabalho apresentados ao desafio e testados em um conjunto de 10.830 exames, ao longo dos servos separados do conjunto de dados de treinamento que foi confirmado pelos resultados da patologia como positiva ou negativa para o câncer.

Em geral, os algoritmos resultaram em taxas moderadas de 98,7 % da privacidade de confirmar a ausência de câncer em mamografias, 27,6 % de sensibilidade à identificação do câncer positivamente e a taxa de recall-a porcentagem de casos que foram condenados à inteligência artificial positiva 1,7 %. Quando os pesquisadores fundiram os dez e os 10 primeiros algoritmos, as alergias reforçaram para 60,7 % e 67,8 %, respectivamente.

“Quando causei a melhor banda de entrada, ficamos surpresos que os vários algoritmos de inteligência artificial fossem muito complementares e os diferentes tipos de câncer foram determinados”, disse o professor Chen. “Os algoritmos foram mais suaves que foram melhorados para o valor preditivo positivo e a alta privacidade, e as diferentes características do câncer estavam em diferentes formas que levaram a altos graus de maneira diferente para diferentes algoritmos”.

Segundo os pesquisadores, a criação de um grupo dos 10 melhores algoritmos produziu um desempenho próximo ao especialista médio de exames médios na Europa ou na Austrália.

Os algoritmos individuais mostraram diferenças significativas de desempenho, dependendo de fatores como o tipo de câncer, o fabricante de equipamentos fotográficos e a localização clínica onde as imagens foram obtidas. Em geral, os algoritmos tiveram uma sensibilidade maior para detectar o câncer de gás em comparação com o câncer não intencional.

O professor Chen explicou que muitos modelos de inteligência artificial para participantes de código aberto, os resultados do desafio podem contribuir para mais melhorias para cada uma das ferramentas de inteligência artificial experimental e comercial para imagens de mama, com o objetivo de melhorar os resultados do câncer de mama em todo o mundo.

Ela disse: “Ao lançar algoritmos e uma coleção abrangente de dados de fotografia para o público, os participantes fornecem recursos valiosos que podem pagar mais pesquisas e permitir a medição necessária para uma integração eficaz e segura da inteligência artificial na prática clínica”.

A equipe de pesquisa planeja realizar estudos -up -up para medir o desempenho dos algoritmos mais desafiadores contra produtos disponíveis comercialmente usando uma coleta de dados maior e variada.

“Além disso, investigaremos a eficácia dos grupos de testes menores e desafiadores com os fortes padrões de leitores humanos, como os desenvolvidos pelo Plano de Desempenho, um programa baseado no Reino Unido para avaliar e garantir a qualidade do desempenho do radiologista como uma avaliação de IA e comparar seu benefício nos grupos de dados em grande escala”, disse o professor Chen.

A RSNA recebe um desafio da inteligência artificial anualmente, pois a competição deste ano está buscando obter as apresentações de modelos que ajudam a descobrir e localizar a expansão vascular intracraniana.