Verbesserung der frühen Erkennung von Brustkrebs

Screening-Mammografie spielt eine entscheidende Rolle bei der frühen Erkennung von Brustkrebs und hat die Sterblichkeitsrate, die mit der Krankheit verbunden ist, erheblich gesenkt. Trotz der technologischen Fortschritte steht die Verwendung von computergestützter Diagnosesoftware (CAD) wegen ihrer hohen Rate an falsch-positiven Vorhersagen in der Kritik. Diese falsch-positiven Ergebnisse entstehen, wenn ein Computer einen Befund fälschlicherweise als verdächtig identifiziert, was zu unnötigem Stress und zusätzlichen Verfahren für die Patienten führt.

#Das Problem der falsch-positiven Ergebnisse

Falsch-positive Ergebnisse können für Radiologen problematisch sein. Wenn CAD-Tools zu viele Fehlalarme erzeugen, beeinflusst das die Genauigkeit der Fachleute, die die Scans interpretieren. Neueste Studien zeigen, dass viele Methoden des Deep Learning sich darauf konzentrieren, die Fähigkeit zur Auffindung von krebsartigen Läsionen zu verbessern, dabei aber die Bedeutung einer niedrigen Rate an falsch-positiven Ergebnissen übersehen. Die meisten Arbeiten in diesem Bereich berichten über Ergebnisse, die nicht die realen Bedingungen widerspiegeln, mit denen Radiologen konfrontiert sind, wo es entscheidend ist, weniger als einen falsch-positiven Befund pro Bild zu haben.

Um das Problem der falsch-positiven Ergebnisse in der Mammografie anzugehen, wurden drei Hauptprobleme identifiziert:

1. Ein bösartiges Mammogramm hat oft nur einen verdächtigen Befund, im Gegensatz zu Bildern mit mehreren Objekten.
2. Jede Untersuchung umfasst zwei Ansichten von jeder Brust, und beide Ansichten müssen für eine genaue Diagnose berücksichtigt werden.
3. Die meisten Mammogramme sind negativ, was bedeutet, dass sie keine verdächtigen Befunde zeigen. Modelle nur mit positiven Fällen zu trainieren, spiegelt nicht die reale Verteilung der Fälle wider.

#Vorgeschlagene Lösung: Das M M System

Um diese Herausforderungen zu bewältigen, wurde das System namens M M entwickelt. Es ist darauf ausgelegt, bösartige Befunde zu lokalisieren und umfassende Bewertungen der Brustgesundheit abzugeben. Das M M-System umfasst drei Hauptmerkmale:

1. Eine Methode namens Sparse R-CNN, die sich darauf konzentriert, weniger Vorschläge zu verwenden, anstatt viele, was sie besser für die Analyse von Mammogrammen geeignet macht.
2. Ein Cross-Attention-Modul, um Informationen aus beiden Ansichten der Brust zu integrieren, was eine bessere Entscheidungsfindung ermöglicht.
3. Multi-Instance Learning (MIL), um das Modell mit Bildern ohne eindeutige Labels zu trainieren, sodass es aus einem grösseren Datensatz lernen kann, der viele negative Fälle einschliesst.

#Die Bedeutung von Sparse-Lösungen

Das M M-System verwendet Sparse R-CNN anstelle von traditionellen dichten Detektoren. Dichte Detektoren haben oft Schwierigkeiten mit Mammogrammen, weil sie normalerweise viele falsch-positive Ergebnisse erzeugen, wenn sie mit negativen Bildern konfrontiert werden. Sparse R-CNN hingegen arbeitet mit einer begrenzten Anzahl lernbarer Vorschläge, was es besser an die Eigenschaften von Mammogrammen anpasst.

Indem das System eine kleine Menge an Vorschlägen verwendet, kann es sich mehr auf potenzielle Befunde konzentrieren, ohne von Rauschen irrelevanter Informationen überwältigt zu werden. Dieser Ansatz hat eine bessere Generalisierung über Datensätze gezeigt, die einen höheren Anteil an negativen Fällen enthalten.

#Multi-View-Analyse

Eine typische Mammogramm-Untersuchung umfasst zwei Ansichten: die craniocaudale (CC) Ansicht und die mediolaterale schräge (MLO) Ansicht. Jede Ansicht kann verschiedene Aspekte eines Befunds offenbaren, was es wichtig macht, beide zusammen zu analysieren. M M integriert eine Cross-Attention-Funktion, die es dem System ermöglicht, Verbindungen zwischen den beiden Ansichten zu ziehen.

Dieser Cross-Attention-Ansatz erlaubt es dem System, die Vorschläge basierend auf den gesammelten Informationen aus beiden Ansichten zu verfeinern. So kann es seine Genauigkeit erhöhen und die Rate an falsch-positiven Ergebnissen reduzieren. Analysen zeigen, dass das System mit dieser Methode seine Trefferquote erheblich steigert und mehr echte Befunde bei sehr niedrigen falsch-positiven Raten identifiziert.

#Multi-Instance Learning

Die Annotation von Mammogrammen ist ein arbeitsintensiver Prozess, da sie Expertenwissen von Radiologen erfordert. Viele Mammogramme sind negativ, und diese Bilder während des Trainings auszuschliessen, kann zu einem verzerrten Verständnis der Daten führen. Daher integriert M M das Multi-Instance Learning (MIL), das dem System hilft, aus sowohl annotierten als auch nicht annotierten Bildern zu lernen.

Mit MIL kann das System Bilder ohne spezifische Bounding-Box-Annotationen bewerten. Es nutzt die Malignitätswahrscheinlichkeiten aus seinen Vorschlägen, um zu schätzen, ob ein Bild positiv oder negativ ist. Dieser Ansatz erhöht die Anzahl der Bilder, aus denen das System lernen kann, was zu einem umfassenderen Training und besserer Gesamtleistung führt.

#Validierung von M M

M M wurde über fünf verschiedene Datensätze validiert und zeigt seine Wirksamkeit bei der Erkennung und Klassifizierung von Befunden in Mammogrammen. Die Gesamtergebnisse zeigen, dass das System auch in Szenarien gut abschneidet, die viele negative Bilder enthalten. Diese Fähigkeit ist entscheidend, da die meisten Mammogramme keine verdächtigen Befunde zeigen.

Die Bewertung von M M im Vergleich zu bestehenden dichten Modellen zeigt eine signifikante Leistungsdifferenz, wenn negative Bilder in die Bewertung einbezogen werden. Die meisten dichten Detektoren schneiden aufgrund der übermässigen falsch-positiven Ergebnisse in diesen Bildern schlecht ab. Im Gegensatz dazu reduziert M M diese Differenz erheblich und erzielt hohe Trefferquoten mit weit weniger falsch-positiven Ergebnissen.

#Klassifikationsfähigkeiten

Neben der Lokalisierung bösartiger Befunde glänzt M M auch bei Klassifikationsaufgaben. Es liefert Brustlevel-Vorhersagen und gibt zusätzliche Einblicke in die allgemeine Gesundheit des Brustgewebes eines Patienten. Das System schneidet in mehreren Datensätzen gut ab und übertrifft oft bestehende Klassifikationsmethoden und Techniken.

#Fazit

M M stellt einen bedeutenden Fortschritt in der Analyse von Screening-Mammografien dar. Durch die Bewältigung der Hauptprobleme von falsch-positiven Ergebnissen mittels sparsamer Erkennungsmethoden, Multi-View-Überlegungen und verbesserten Trainingsmethoden zeigt es Potenzial zur Verbesserung der Genauigkeit bei der Brustkrebsdetektion.

Die Integration von sowohl Erkennungs- als auch Klassifikationsfähigkeiten macht M M zu einem ganzheitlichen Werkzeug für Radiologen. Die Ergebnisse zeigen das Potenzial für erhöhte Genauigkeit und Effizienz in der Mammografie, mit dem Ziel, die Patientenversorgung und -ergebnisse zu verbessern. Mit weiterer Forschung und Entwicklung in diesem Bereich könnten Systeme wie M M den Weg für eine Transformation der Brustkrebsdetektion und -behandlung in klinischen Einrichtungen ebnen.