Każdego roku miliony kobiet na całym świecie przechodzą badanie mammograficzne w celu wykrycia zmian nowotworowych w piersi. Mimo to, niewielkie złogi wapnia zwane mikrozwapnieniami często umykają uwadze — są trudne do zauważenia zarówno dla oka ludzkiego, jak i dla tradycyjnych systemów wspomagających diagnostykę. Ich obecność może być subtelnym, ale kluczowym sygnałem ostrzegawczym rozwijającego się nowotworu, dlatego niedokładne odczyty mogą prowadzić do opóźnionej diagnozy lub niepotrzebnych zabiegów biopsji.
Odpowiedzią na te wyzwania może być innowacyjne rozwiązanie wykorzystujące sztuczną inteligencję, zaprezentowane przez zespół naukowców pod kierownictwem dr. Ke-Da Yu z Centrum Onkologii Uniwersytetu Fudan w Szanghaju. Badacze opracowali zaawansowaną metodę głębokiego uczenia maszynowego, która z powodzeniem identyfikuje i klasyfikuje mikrozwapnienia na obrazach mammograficznych, niezależnie od typu sprzętu diagnostycznego czy różnorodności pacjentów. To rozwiązanie nie tylko zwiększa dokładność, ale także zapewnia spójność w analizie obrazów różnych pochodzeń.
Mikrozwapnienia to zmiany mające zaledwie kilka pikseli szerokości. Umiejscowione wśród struktury zdrowej tkanki są niezwykle trudne do wychwycenia – ich rozpoznanie przypomina niemal dosłowne „szukanie igły w stogu siana”. Jak podkreśla dr Yu, celem było stworzenie uniwersalnego narzędzia, które poradzi sobie z każdym obrazem mammograficznym i nie przegapi nawet najmniejszych oznak potencjalnie rozwijającej się choroby.
Klucz do sukcesu leży w dwóch przełomowych elementach zastosowanej metody. Po pierwsze, system oparto na adaptacyjnym, wieloskalowym wykrywaniu. Oznacza to, że wykorzystano model R-CNN wsparty przez tzw. sieć piramidy cech (Feature Pyramid Network), która analizuje obrazy na wielu poziomach szczegółowości. Dzięki temu system wychwytuje zarówno większe skupiska mikrozwapnień, jak i pojedyncze punktowe zmiany — bez konieczności stosowania ręcznie ustawianych progów czy reguł.
Po drugie, system trenowano na solidnym zbiorze danych obejmującym 4 810 mammografii z potwierdzonymi wynikami biopsji. Obrazy pochodziły z trzech niezależnych placówek medycznych, co zapewniło zróżnicowanie przypadków i typów aparatów. Dzięki wbudowanym metodom normalizacji obrazu, algorytm działa równie skutecznie niezależnie od zastosowanego sprzętu i warunków klinicznych.
W testach „w ciemno”, czyli bez wcześniejszej znajomości wyniku, nowy system analizy mammografii osiągnął imponującą skuteczność – około 75% trafności w rozpoznawaniu zmian mikrozwapnieniowych, 76% czułości w przypadku zmian złośliwych oraz 72% dokładności na poziomie całej piersi. Tak wysokie wyniki sugerują, że może on w realny sposób wspomóc lekarzy radiologów w codziennej praktyce.
Co istotne, rozwiązanie można łatwo zintegrować z tradycyjnymi stanowiskami diagnostycznymi. Oprogramowanie automatycznie oznacza potencjalnie podejrzane obszary, kierując uwagę radiologów na miejsca, które wymagają bliższej analizy. To przełom w zmniejszaniu liczby przypadków przeoczonych lub błędnie ocenionych oraz w ograniczaniu liczby niepotrzebnych biopsji – co ma istotne znaczenie zarówno dla komfortu pacjentek, jak i dla kosztów całego systemu opieki zdrowotnej.
Autorzy badania zdecydowali się także na udostępnienie kodu źródłowego swojego rozwiązania, co stanowi kolejny krok ku szerszemu zastosowaniu tej technologii na całym świecie. Kolejną fazą rozwoju będzie wdrożenie systemu do codziennego użycia w placówkach medycznych, a w dalszej perspektywie – standaryzacja jego działania jako niezawodnego narzędzia wspomagającego przesiewową diagnostykę raka piersi.
Nowoczesna diagnostyka oparta na sztucznej inteligencji właśnie pokonuje kolejny milowy krok. Połączenie szybkości przetwarzania danych, powtarzalności analiz oraz coraz większej dokładności oznacza, że wkrótce lekarze mogą otrzymać potężne narzędzie, które wesprze ich w walce o wczesne wykrycie jednego z najgroźniejszych nowotworów kobiecych.
