Ddeep learning per calcolare il rischio di cancro dalla densità del seno

 

“Le prestazioni sono paragonabili a quelle degli esperti umani e può essere addestrato molto più velocemente e su piccoli set di dati o sottoinsiemi di grandi set di dati”.

 

La densità del seno, definita come la proporzione di tessuto fibro-ghiandolare all’interno del seno, viene spesso utilizzata per valutare il rischio di sviluppare il cancro.

Sebbene siano disponibili vari metodi per stimare questa misura, gli studi hanno dimostrato che le valutazioni soggettive condotte dai radiologi sulla base di scale analogiche visive sono più accurate di qualsiasi altro metodo.

Poiché le valutazioni degli esperti della densità del seno svolgono un ruolo cruciale nella valutazione del rischio di cancro, è altamente auspicabile sviluppare quadri di analisi delle immagini in grado di stimare automaticamente questo rischio, con la stessa accuratezza di un radiologo esperto.

A tal fine, i ricercatori guidati dalla prof.ssa Susan M. Astley dell’Università di Manchester, nel Regno Unito, hanno recentemente sviluppato e testato un nuovo modello basato sull’apprendimento profondo in grado di stimare la densità del seno con alta precisione. I loro risultati sono pubblicati sul Journal of Medical Imaging.

“Il vantaggio dell’approccio basato sul deep learning è che consente l’estrazione automatica delle funzionalità dai dati stessi”, spiega Astley.

“Questo è interessante per le stime della densità del seno poiché non comprendiamo completamente perché i giudizi soggettivi degli esperti superano altri metodi”.

In genere, l’addestramento di modelli di deep learning per l’analisi di immagini mediche è un compito impegnativo a causa dei set di dati limitati.

Tuttavia, i ricercatori sono riusciti a trovare una soluzione a questo problema: invece di costruire il modello da zero, hanno utilizzato due modelli di deep learning indipendenti che sono stati inizialmente addestrati su ImageNet, un set di dati di imaging non medico con oltre un milione di immagini.

Questo approccio, noto come “transfer learning”, ha permesso loro di addestrare i modelli in modo più efficiente con meno dati di imaging medico.

Utilizzando quasi 160.000 immagini mammografiche digitali a campo intero a cui sono stati assegnati valori di densità su una scala analogica visiva da esperti (radiologi, radiografi professionisti avanzati e medici del seno) di 39.357 donne, i ricercatori hanno sviluppato una procedura per stimare il punteggio di densità per ogni immagine mammografica.

L’obiettivo era quello di prendere un’immagine mammografica come input e sfornare un punteggio di densità come output.

La procedura prevedeva la pre-elaborazione delle immagini per rendere il processo di addestramento computazionalmente meno intensivo, estraendo le caratteristiche dalle immagini elaborate con i modelli di deep learning, mappando le caratteristiche a un set di punteggi di densità e quindi combinando i punteggi utilizzando un approccio di ensemble per produrre una stima finale della densità.

Con questo approccio, i ricercatori hanno sviluppato modelli altamente accurati per stimare la densità del seno e la sua correlazione con il rischio di cancro, conservando al contempo il tempo di calcolo e la memoria.

“Le prestazioni del modello sono paragonabili a quelle degli esperti umani entro i limiti dell’incertezza”, afferma Astley. “Inoltre, può essere addestrato molto più velocemente e su piccoli set di dati o sottoinsiemi di grandi set di dati”.

In particolare, il framework di apprendimento a trasferimento profondo è utile non solo per stimare il rischio di cancro al seno in assenza di un radiologo, ma anche per addestrare altri modelli di imaging medico basati sulle stime della densità del tessuto mammario.

Questo, a sua volta, può consentire prestazioni migliori in attività come la previsione del rischio di cancro o la segmentazione delle immagini.