По данным Всемирной организации здравоохранения, недавно рак груди обогнал рак легких и стал самым распространенным раком во всем мире. Продвигая борьбу с раком груди, BreastPathQ Challenge был запущен на SPIE Medical Imaging 2019, чтобы поддержать развитие компьютерной диагностики для оценки патологии рака груди.
Участникам BreastPathQ Challenge было поручено разработать автоматизированный метод анализа микроскопических изображений ткани груди и ранжирования их в соответствии с содержанием опухолевых клеток, чтобы обеспечить надежную оценку. Как сообщается в журнале SPIE Journal of Medical Imaging (JMI), эта задача дала обнадеживающие результаты, которые указывают путь к интеграции искусственного интеллекта (AI) для упрощения клинической оценки рака груди.
Медицинская визуализация для неоадъювантного лечения
Лечение крупного или агрессивного рака груди часто превращалось в мастэктомию как наиболее надежную терапию. Однако терапия, известная как "неоадъювантное лечение" может привести к уменьшению размера, плотности и распространения опухоли, что делает пациентов кандидатами на операцию по сохранению груди, а не на мастэктомию.
Медицинская визуализация позволяет врачам оценить эффекты неоадъювантного лечения. Хотя процессы анализа медицинских изображений для обнаружения рака обычно выполняются вручную и основываются на экспертной интерпретации сложных тканевых структур, алгоритмы машинного обучения для выявления рака могут повысить надежность и эффективность этих процессов. Ожидается, что в дополнение к снижению вариабельности, присущей патологам-людям, такие полностью автоматизированные методы увеличат скорость анализа изображений.
Интенсивное внимание, международные усилия
Всего в конкурсе BreastPathQ Challenge приняли участие 39 команд из 12 стран мира. Было разработано, проверено и протестировано в общей сложности 100 алгоритмов. Команды смогли сравнить свои алгоритмы с алгоритмами других специалистов из академических кругов, промышленности и правительства, структурированных структурой Grand Challenge, которая требует общего набора исходных данных.
Большинство команд использовали ансамбль алгоритмов машинного обучения вместо того, чтобы ограничиваться одной архитектурой ИИ. Лучшие алгоритмы выполняются на уровнях, сопоставимых с уровнями патологов, которые предоставили эталонные стандарты для исследования, а наиболее эффективный алгоритм немного превзошел оценки патологов. Алгоритмы в целом хорошо работали с более легкими участками изображений, но боролись с трудными участками – теми, для которых ИИ был бы особенно полезен для патологов.
BreastPathQ Challenge был успешным, потому что организационный комитет объединил экспертов в разных областях. По словам Николаса Петрика, заместителя директора отдела визуализации, диагностики и надежности программного обеспечения Центра устройств и радиологического здоровья FDA США и представителя BreastPathQ Challenge Group, продвинутая совместная работа означала, что участники смогли быстро и эффективно перейти к решить задачу, получить доступ к набору данных и разработать свои алгоритмы.