Verbesserung der Genauigkeit der Brustkrebs-Screenings

Brustkrebs ist ein grosses Gesundheitsproblem weltweit und verursacht jedes Jahr viele Todesfälle. 2020 gab es etwa 2,3 Millionen neue Fälle und rund 685.000 Todesfälle, die mit dieser Krankheit zusammenhängen. Zwar haben Screening-Programme in entwickelten Ländern die Sterberate in den letzten vier Jahrzehnten um 40% gesenkt, aber viele Länder kämpfen immer noch mit hohen Sterberaten, weil es an ausgebildeten Radiologen fehlt.

Früherkennung und Behandlung sind entscheidend im Kampf gegen Brustkrebs. Der traditionelle Prozess ist jedoch stark von Expertenradiologen abhängig, was ihn teuer und fehleranfällig macht. Das wirkt sich nicht nur auf die Zuverlässigkeit der Ergebnisse aus, sondern erhöht auch die Angst bei Patienten, die während des Screenings Falschalarme bekommen.

#Das Problem der Falschpositiven im Screening

Eine der grössten Herausforderungen beim Brustkrebs-Screening sind die Falschpositiven. Wenn ein Screening-Test ergibt, dass Krebs vorhanden ist, obwohl keiner da ist, kann das unnötige Nachuntersuchungen, zusätzliche Tests und manchmal invasive Verfahren wie Biopsien nach sich ziehen. Diese Schritte können Stress und Komplikationen für Patienten verursachen, die möglicherweise gar keinen Krebs haben.

Das Ziel der Verbesserung des Brustkrebs-Screenings ist es, automatische Erkennungssysteme zu nutzen, um diese Falschpositiven zu reduzieren. Dadurch könnte der ganze Prozess effizienter und weniger stressig für die Patienten werden.

#Datensammlung und Beschreibung

Ein grosses Datenset von Brustbildern wurde bereitgestellt, um bessere Erkennungsmethoden zu entwickeln. Dieses Datenset umfasst Mammographien von etwa 20.000 Patientinnen, mit rund 54.700 einzelnen Bildern. Jede Patientin hat normalerweise vier Bilder aus unterschiedlichen Winkeln.

Das Datenset zeigt ein signifikantes Problem in der medizinischen Forschung-Klassenungleichgewicht. Es gibt nur 1.158 Fälle von Patientinnen mit Krebs, während über 53.000 ohne Krebs sind. Diese Ungleichheit macht es schwierig, zuverlässige Modelle zur Erkennung zu erstellen.

#Vorbereitung der Bilder für die Analyse

Um die Bilder zu analysieren, mussten sie aus ihrem ursprünglichen DICOM-Format in PNG-Dateien umgewandelt werden, um die Arbeit damit zu erleichtern. Die meisten Bilder verwendeten einen speziellen Kodierungstyp, der extrahiert und auf leistungsstarken Computern umgewandelt wurde.

Vorverarbeitungstechniken wurden angewendet, um die Klassifikationsgenauigkeit zu verbessern. Zunächst wurde überlegt, die Bilder zuzuschneiden, um sich auf bestimmte Bereiche zu konzentrieren, aber letztlich wurde entschieden, die Bilder stattdessen zu normalisieren, um die originalen Details zu bewahren und keine wichtigen Informationen beim Vergrössern zu verlieren.

Die Bilder wurden auch für die Ansicht angepasst; die, die für einen weissen Hintergrund gedacht waren, wurden umgekehrt, um die Merkmale bei der Maschinenansicht zu verbessern. Alle Bilder wurden dann normalisiert, was bedeutet, dass ihre Pixelwerte auf einen gemeinsamen Bereich angepasst wurden.

#Wichtige Merkmale extrahieren

Nach der Vorbereitung der Bilder wurde ein spezielles Modell namens EfficientNetV2 verwendet, um wichtige Merkmale daraus zu extrahieren. Dieses Modell ist effizient und genau im Vergleich zu älteren Modellen und trägt dazu bei, die Menge an verarbeiteten Daten zu reduzieren.

Die extrahierten Merkmale wurden mit zusätzlichen Informationen wie Alter und Implantatdetails kombiniert. Um die Vorhersagen zu verbessern, wurden auch Techniken getestet, um Ungleichgewichte in den Daten zu korrigieren.

#Eingesetzte Klassifikationstechniken

Ein paar verschiedene Methoden des maschinellen Lernens wurden verwendet, um die Bilder zu klassifizieren und Vorhersagen darüber zu treffen, ob die Patientin Brustkrebs hatte oder nicht.

#Logistische Regression

Ein einfaches Modell wurde mit logistischer Regression trainiert, was eine einfache Methode ist, um Ergebnisse basierend auf Eingabedaten vorherzusagen. Das Modell wurde angepasst, um die ungleiche Anzahl positiver und negativer Fälle zu berücksichtigen.

#Support Vector Machine

Eine andere Methode, die verwendet wurde, ist die Support Vector Machine (SVM), die eine Hyperebene findet, die die verschiedenen Datenklassen am besten trennt. Dieses Modell kann sich an verschiedene Datentypen anpassen und half dabei, Muster in den Bildern zu erkennen.

#Tiefe Neuronale Netzwerke

Ein tiefes neuronales Netzwerk wurde ebenfalls erstellt, um die kombinierten Merkmale der Bilder und zusätzlichen Daten zu analysieren. Das Netzwerk verarbeitete jedes Merkmal durch mehrere Schichten, um die Wahrscheinlichkeit von Krebs zu bestimmen.

#Leistungskennzahlen

Um zu messen, wie gut die Modelle abgeschnitten haben, wurden verschiedene Kennzahlen verwendet. Da es ein erhebliches Ungleichgewicht zwischen positiven und negativen Ergebnissen gab, war die Genauigkeit allein nicht ausreichend. Stattdessen wurden Kennzahlen wie Fläche unter der Kurve, Präzision und Recall untersucht, um ein klareres Bild der Effektivität zu geben.

#Experimentelle Ergebnisse und Herausforderungen

Es wurden verschiedene Experimente durchgeführt, um das beste Modell des maschinellen Lernens für dieses Datenset zu finden. Verschiedene Ansätze umfassten das Ändern von Parametern und das Erkunden unterschiedlicher Modelle. Einige Versuche, die Datensatzgrösse durch Datenaugmentation zu erhöhen, wurden unternommen, hatten aber keine signifikanten Verbesserungen zur Folge.

Die Ergebnisse zeigten, dass die Modelle nicht besser abschnitten als zufällige Chancen. Das deutete darauf hin, dass weiterer Aufwand nötig ist, um die Zuverlässigkeit der Vorhersagen zu verbessern. Andere Methoden, wie das Fokussieren auf Interessensgebiete, führten ebenfalls nicht zu den gewünschten Ergebnissen und führten manchmal zu Überanpassung, bei der das Modell gut mit Trainingsdaten, aber schlecht mit neuen Daten funktioniert.

#Empfehlungen zur Verbesserung

Literatur legt nahe, dass umfassende Datenaugmentation und das Trainieren auf ähnlichen Datensets die Ergebnisse verbessern können. Eine erhöhte Exposition gegenüber vielfältigen Daten könnte helfen, die Häufigkeit von Falschpositiven zu reduzieren. Ausserdem könnte die Verwendung von Modellen, die sowohl räumliche als auch zeitliche Informationen erfassen, bessere Ergebnisse liefern. Das Potenzial neuerer Technologien, wie zum Beispiel Transformatoren, zeigt ebenfalls Versprechen, würde jedoch mehr Forschung erfordern.

#Fazit

Das Brustkrebs-Screening ist ein kritischer Bereich der Gesundheitsversorgung, der verbessert werden muss. Die Herausforderungen von Falschpositiven und Klassenungleichgewicht stellen erhebliche Hindernisse dar. Durch verschiedene Methoden des maschinellen Lernens und Techniken zur Datenvorbereitung streben Forscher an, die Genauigkeit der Erkennungssysteme zu verbessern. Mit fortwährendem Aufwand und Erkundung gibt es Hoffnung auf zuverlässigere Screening-Methoden, die Angst reduzieren und bessere Ergebnisse für die Patienten liefern.