Artificial intelligence improves breast cancer screening
Authors:
Livia Večeřová 1; Daniela Kuklová 2
Authors‘ workplace:
Radiodiagnostické oddělení Fakultní nemocnice Na Bulovce, Praha
1; Trask Solutions, a. s., Praha
2
Published in:
Čas. Lék. čes. 2021; 160: 323-328
Category:
Review Article
Overview
Rychlý rozvoj strojového učení (zejména hlubokého) podporuje jeho využití ke zpřesnění screeningu nádorových onemocnění. Hodnocení screeningové mamografie je v Česku prováděno nezávisle dvěma radiology. Zapojení umělé inteligence do algoritmu druhého čtení mamografických snímků přispívá ke zvýšení specifity a sensitivity mamografického vyhodnocování.
Neuronová síť dokáže zachytit vstupní obraz a na základě natrénovaných číselných parametrů (vah), kterým je přirazena konkrétní hodnota, definuje vlastnosti, které se ve snímcích hledají, což ovlivňuje konečný výsledek mamografického vyšetření.
Cílem zavedení umělé inteligence je lepší záchyt maligních nádorů v časném stAdiu a zároveň snížení falešně negativních nebo pozitivních mamografických nálezů s následnou redukcí doplňujících vyšetření, což povede k ekonomickému zefektivnění screeningového procesu.
Keywords:
artificial intelligence – breast cancer – breast screening – neural network
Sources
- MZ ČR. Doporučený standard pro poskytování screeningu karcinomu prsu a provádění diagnostické mamografie v ČR. Věstník MZ ČR 2010; 4: 4–34.
- Eluyode OS, Akomolafe DT. Comparative study of biological and artificial neural networks. Euro J Appl Eng Sci Res 2013; 2: 36–46.
- Mayor A. Gods and Robots. Princeton University Press, Princeton, 2020.
- Turan RI. Medieval robots: How al-Jazari's mechanical marvels have been resurrected in Istanbul. Middle East Eye 2019 Mar 1. Dostupné na: www.middleeasteye.net/discover/medieval-robots-turkey-how-science-genius-al-jazari-brought-mechanical-marvels-istanbul
- Turing A. Computing machinery and intelligence. Mind 1950; 59: 433–460.
- Müller VC, Bostrom N. Future progress in artificial intelligence: a survey of expert opinion. Springer, Berlin, 2016.
- Mitchell TM. The Discipline of Machine Learning. Carnegie Mellon University, Pittsburgh, 2006.
- Rodriguez-Ruiz A, Lång K, Gubern-Merida A et al. Stand-alone artificial intelligence for breast cancer detection in mammography: comparison with 101 radiologists. J Natl Cancer Inst 2019; 111: 916–922.
- Grønning T. History of Cancer. In: Colditz GA (ed.). The SAGE Encyclopedia of Cancer and Society. SAGE Publications, California, 2015.
- The Global Cancer Observatory. In: Cancer Today. International Agency For Research On Cancer, Lyon, 2019. Dostupné na: https://gco.iarc.fr/today/data/factsheets/cancers/20-Breast-fact-sheet.pdf
- Breast Cancer Screening. In: IARC Handbooks of Cancer Prevention, vol. 15. International Agency for Research on Cancer, Lyon, 2016.
- Ferlay J, Colombet M, Soerjomataram I et al. Estimating the global cancer incidence and mortality in 2018: GLOBOCAN sources and methods. Int J Cancer 2019; 144: 1941–1953.
- Sung H, Ferlay J, Siegel RL et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin 2021; 71: 209–249.
- Breast cancer statistics: Breast cancer is the most common cancer in women worldwide. World Cancer Research Fund International. Dostupné na: www.wcrf.org/dietandcancer/cancer-trends/breast-cancer-statistics
- Hoda SA, Brogi E, Koerner FC, Rosen PP. Rosen’s Breast Pathology. Lippincott Williams & Wilkins, Philadelphia, 2014.
- Antoniou A, Pharoah PDP, Narod SA et al. Average risks of breast and ovarian cancer associated with BRCA1 or BRCA2 mutations detected in case series unselected for family history: a combined analysis of 22 studies. Am J Hum Genet 2003; 72 (5): 1117–1130.
- New European recommendations for breast cancer. In: EU Science Hub: The European Commission's science and knowledge service. European Commision, Bruxelles, 2019. Dostupné na: https://ec.europa.eu/jrc/en/news/new-european-recommendations-breast-cancer
- Deandrea S, Uluturk A, Neamtiu L et al. Presence, characteristics and equity of access to breast cancer screening programmes in 27 European countries in 2010 and 2014. Results from an international survey. Prev Med 2016; 91: 250–263.
- Narod SA. Personalised medicine and population health: breast and ovarian cancer. Hum Genet 2018; 137: 769–778.
- De Angelis R, Sant M, Coleman MP et al. Cancer survival in Europe 1999–2007 by country and age: results of EUROCARE-5 – a population-based study. Lancet Oncol 2014; 15: 23–34.
- Byrne C, Schairer C, Wolfe J et al. Mammographic features and breast cancer risk: effects with time, age, and menopause status. J Natl Cancer Inst 1995; 87: 1622–1629.
- Dušek L, Žaloudík J, Abrahámová J a kol. Webový portál SVOD: epidemiologie zhoubných nádorů v České republice v on-line dostupných analýzách a zpravodajství. In: Abrahámová J (ed.). Vybrané otázky onkologie IX. Galén, Praha, 2005: 140–142.
- Májek O, Daneš J, Skovajsová M et al. Breast cancer screening in the Czech Republic: time trends in performance indicators during the first seven years of the organised programme. BMC Public Health 2011; 11: 288.
- Oberaigner W, Geiger-Gritsch S, Edlinger M et al. Reduction in advanced breast cancer after introduction of a mammography screening program in Tyrol/Austria. Breast 2017; 33: 178–182.
- Dušek L, Mužík J, Malúšková D a kol. Incidence a mortalita nádorových onemocnění v České republice. Klinická onkologie 2014; 27: 406–423.
- Kodl O, Jursíková E, Daneš J, Tomášek L. Přínos a radiační riziko při mamografickém screeningu za období 2003–2007. Česká radiologie 2009; 63: 342–347.
- Asociace mamodiagnostiků České republiky. AMA-CZ. Dostupné na: www.mamo.cz/?pg=asociace-mamodiagnostiku
- Gram IT, Funkhouser E, Tabár L. The Tabár classification of mammographic parenchymal patterns. Eur J Radiol 1997; 24: 131–136.
- McKinney SM, Sieniek M, Godbole V et al. International evaluation of an AI system for breast cancer screening. Nature 2020; 577: 89–94.
- Kim H, Kim HH, Han BK et al. Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study. Lancet Digit Health 2020; 2: 138–148.
- ÚZIS. Celková zátěž zhoubnými novotvary v ČR. Ústav zdravotnických informací a statistiky, Praha, 2021.
- Oeffinger KC, Fontham ETH, Etzioni R et al. Breast cancer screening for women at average risk: Guideline update from the American Cancer Society. JAMA 2015; 314: 1599–1614
- Cole EB, Zhang Z, Marques HS et al. Impact of computer-aided detection systems on radiologist accuracy with digital mammography. Am J Roentgenol 2014; 203: 909–916.
- LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015; 521: 436–444.
- Ribli D, Horváth A, Unger Z et al. Detecting and classifying lesions in mammograms with deep learning. Sci Rep 2018; 8: 4165.
- Kooi T, Litjens G, van Ginneken B et al. Large scale deep learning for computer aided detection of mammographic lesions. Med Image Anal 2017; 35: 303–312.
- Pesapane F, Codari M, Sardanelli F. Artificial intelligence in medical imaging: threat or opportunity? Radiologists again at the forefront of innovation in medicine. Eur Radiol Exp 2018; 2: 35.
Labels
Addictology Allergology and clinical immunology Angiology Audiology Clinical biochemistry Dermatology & STDs Paediatric gastroenterology Paediatric surgery Paediatric cardiology Paediatric neurology Paediatric ENT Paediatric psychiatry Paediatric rheumatology Diabetology Pharmacy Vascular surgery Pain management Dental HygienistArticle was published in
Journal of Czech Physicians
2021 Issue 7–8
Most read in this issue
- COVID-19, postcovid syndrome and postvaccination complications at neurology outpatient clinic
- Manuál k elektronickému zdravotnictví
- Mitochondria – from origin to current therapies
- Legal framework of telemedicine for provision of healthcare