Varje år drabbas drygt 8 000 kvinnor i Sverige av bröstcancer och cirka 1 400 avlider. I USA dör 40 000 kvinnor. Ju tidigare cancer upptäcks, desto bättre prognos för behandlingen. Mammografi är den bästa undersökningsmetoden men den är inte perfekt och resulterar relativt ofta i felaktigt ”positiva” resultat som kan leda till onödiga biopsier och operationer av godartade, ofarliga tumörer och cystor.
När ett mammogram upptäcker en misstänkt tumör utförs en nålbiopsi för att bestämma om det är cancer. Ungefär 70 procent är godartade, 20 procent är maligna och 10 procent är så kallade högrisklesioner.
Överdiagnostiseras
En vanlig orsak till felaktiga positiva mammografiresultat är högrisklesioner som har onormala celler när de testas med nålbiopsi. I detta fall genomgår patienten normalt en operation för att ta bort tumören. I 90 procent av fallen visar det sig att den var godartad. Det innebär att tusentals kvinnor varje år överdiagnostiseras och går igenom oro, smärta och ärrbildande operationer helt i onödan.
Nu samarbetar forskare vid MITs institution för datavetenskap och artificiella intelligenslaboratorium, CSAIL, Massachusetts General Hospital och Harvard Medical School kring möjligheterna att använda maskininlärning för att förbättra upptäckt, diagnos och minska risken för onödiga ingrepp.
Gedigen utbildning
Som ett första projekt har forskarna utvecklat ett AI-system som använder maskininlärning för att förutsäga om en högrisklesion identifierad med nålbiopsi efter ett mammogram kommer att diagnosticeras som cancer i samband med en operation.
AI-modellen är tränad på information om mer än 600 befintliga högrisklesioner och söker efter mönster bland många olika data som demografi, ärftlighet, tidigare biopsier och patologirapporter.
30 procent färre operationer
När modellen med maskininlärning testades på 335 högrisklesioner diagnostiserade den 97 procent av misstänkt bröstcancer som malign och reducerade antalet godartade operationer med drygt 30 procent jämfört med etablerade tillvägagångssätt.
– Så vitt vi vet är detta den första studien där maskininlärning används för att skilja de fall som behöver kirurgi från de som inte gör det. Vi tror att detta kan hjälpa kvinnor att fatta mer välinformerade beslut om sin fortsatta behandling och kunna tillhandahålla mer individanpassade lösningar inom vården generellt, säger Constance Lehman, ansvarig för projektet och professor vid Harvard Medical School.
Källa: MIT
