DOI: https://doi.org/10.1016/j.ejrad.2024.111457
PMID: https://pubmed.ncbi.nlm.nih.gov/38640824
تاريخ النشر: 2024-04-16
المؤلف: Oliver Díaz وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
تستعرض هذه المراجعة التقدم في تكنولوجيا الذكاء الاصطناعي (AI) للكشف التلقائي عن سرطان الثدي في التصوير الشعاعي الرقمي (DM) والتصوير الشعاعي للثدي الرقمي (DBT). تسلط الضوء على تطور تقنيات التعلم العميق (DL)، التي أظهرت تحسينات كبيرة مقارنة بأنظمة الكشف المدعومة بالكمبيوتر التقليدية (CAD)، خاصة في تقليل النتائج السلبية والإيجابية الخاطئة وتحديد الشذوذات الطفيفة التي قد يغفلها أطباء الأشعة البشر. تؤكد المراجعة على أهمية معالجة البيانات، وتطبيق أنماط التعلم المختلفة (المراقب، غير المراقب، شبه المراقب، والتعلم المعزز)، وضرورة التحقق المستقل لضمان موثوقية وفعالية الأنظمة الذكية في المجال السريري.
على الرغم من القدرات الواعدة لأنظمة الذكاء الاصطناعي المعتمدة على التعلم العميق، إلا أن التحديات مثل نقص مجموعات البيانات القياسية، والتحيزات المحتملة في بيانات التدريب، والعقبات التنظيمية لا تزال تشكل حواجز كبيرة أمام اعتمادها على نطاق واسع في فحص سرطان الثدي. تختتم المراجعة بالقول إنه بينما يمتلك الذكاء الاصطناعي القدرة على تعزيز دقة الفحص وتخفيف عبء العمل عن أطباء الأشعة، فإن المزيد من البحث، والتعاون بين الأطراف المعنية، والالتزام بالإرشادات الدولية أمر ضروري من أجل دمج تقنيات الذكاء الاصطناعي بنجاح في الممارسات السريرية الروتينية. تهدف المبادرات الجارية إلى تحسين الشفافية والموثوقية، مما يعزز في النهاية قبول أدوات الذكاء الاصطناعي في الكشف عن سرطان الثدي.
مقدمة
تناقش مقدمة هذه الورقة البحثية التحدي المستمر للكشف التلقائي عن سرطان الثدي في التصوير الشعاعي، مع تسليط الضوء على الاعتماد على أطباء الأشعة للتقييمات على الرغم من المخاطر الكامنة في النتائج السلبية والإيجابية الخاطئة. لا تزال طرق الفحص الحالية، بما في ذلك التصوير الشعاعي الرقمي (DM) والتصوير الشعاعي للثدي الرقمي (DBT)، تعتمد بشكل كبير على التفسير البشري، مما يمكن أن يؤدي إلى مشاكل كبيرة في عبء العمل نظرًا لأن معظم الفحوصات تعطي نتائج طبيعية. تشير الورقة إلى أنه على الرغم من استخدام أنظمة الكشف المدعومة بالكمبيوتر (CAD) التي تعتمد على تقنيات التعلم الآلي التقليدية منذ التسعينيات، إلا أن معدلات الإيجابية الخاطئة العالية قد حدت من قبولها في البيئات السريرية.
بالمقابل، أظهرت التقدمات الأخيرة في الذكاء الاصطناعي (AI) القائم على التعلم العميق (DL) وعدًا في تعزيز دقة الكشف، مع ادعاءات بأن هذه الأنظمة يمكن أن تتطابق أو حتى تتفوق على أطباء الأشعة في الأداء. تؤكد المقدمة على الحاجة إلى مزيد من البحث للتحقق من هذه الادعاءات وضمان الدمج الناجح لتقنيات الذكاء الاصطناعي في برامج فحص سرطان الثدي. تهدف المراجعة إلى تقديم نظرة شاملة على تطبيقات الذكاء الاصطناعي في هذا المجال، مع معالجة المشهد الحالي للأنظمة المتاحة، وأسسها التكنولوجية، والتحديات المستمرة التي يجب معالجتها من أجل التنفيذ الفعال.
النتائج
تسلط قسم النتائج في الورقة البحثية الضوء على الحالة الحالية للأدلة المتعلقة باستخدام الذكاء الاصطناعي (AI) في فحص سرطان الثدي، مع التأكيد على الانتقال من الدراسات الاستعادية إلى التجارب السريرية المستقبلية. ومن الجدير بالذكر أن تجربة MASAI أظهرت زيادة بنسبة 28% في معدل الكشف عن السرطان (CDR) مع تصنيف الذكاء الاصطناعي، محققة دلالة إحصائية (P = 0.002)، مع الحفاظ على معدل استدعاء مشابه. بالإضافة إلى ذلك، أشارت دراسة ScreenTrustCAD إلى زيادة بنسبة 4% في CDR (P = 0.017) وتقليل في معدلات الاستدعاء، تم تحقيقه من خلال تقليل عدد قراءات الفحص إلى النصف. تدعم هذه النتائج التقييمات الاستعادية السابقة وتقترح أن الذكاء الاصطناعي يمكن أن يعزز كفاءة الفحص.
علاوة على ذلك، تستكشف تجربة AITIC الجارية استراتيجية ذكاء اصطناعي شبه ذاتية، والتي قد تلغي الحاجة إلى مراجعة بشرية لما يصل إلى 70% من الفحوصات الطبيعية. تشير النتائج الأولية من هذه التجربة، التي تشمل 24,000 امرأة، إلى نهج آمن وفعال، مع زيادة في CDR من 6.2 إلى 7.2 لكل 1,000 فحص عند استخدام الذكاء الاصطناعي لأكثر الحالات اشتباهًا. تختتم القسم بطرح أسئلة حول استعداد الدول المختلفة وبرامج الفحص لتبني هذه النتائج، حيث تقوم العديد من المستشفيات بالفعل بدمج الذكاء الاصطناعي بناءً على الاحتياجات السريرية المحلية، مما قد يؤثر على وتيرة تنفيذ الذكاء الاصطناعي في فحص سرطان الثدي.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على الدور التحويلي للذكاء الاصطناعي (AI) والتعلم العميق (DL) في تصوير الثدي، مع التأكيد على الانتقال من أنظمة الكشف المدعومة بالكمبيوتر التقليدية (CAD) إلى هياكل الشبكات العصبية الأكثر تطورًا. لقد مكنت التقدمات في القدرة الحاسوبية وتوفر مجموعات البيانات الكبيرة الذكاء الاصطناعي من التعلم مباشرة من البيانات، مما أدى إلى تحسين الدقة في الكشف عن سرطان الثدي. ومن الجدير بالذكر أن الدراسات أظهرت أن نماذج DL يمكن أن تحقق معدلات كشف قابلة للمقارنة مع تلك الخاصة بأطباء الأشعة ذوي الخبرة، مع تقليل عبء العمل والحفاظ على الخصوصية. ومع ذلك، لا يزال التنفيذ السريري لهذه التقنيات محدودًا، ويرجع ذلك أساسًا إلى التحديات مثل جودة البيانات، والحاجة إلى التحقق الشامل، وضرورة الشرح في عمليات اتخاذ القرار للذكاء الاصطناعي.
تناقش القسم أيضًا أهمية البيانات عالية الجودة لتدريب أنظمة الذكاء الاصطناعي، مشددة على أن استراتيجيات المعالجة المسبقة الفعالة وزيادة البيانات ضرورية لتحقيق الأداء الأمثل. كما تتناول الحاجة إلى التحقق المستقل من أدوات الذكاء الاصطناعي لضمان موثوقيتها وقابليتها للتعميم عبر بيئات سريرية متنوعة. تحدد الورقة عدة مبادئ للذكاء الاصطناعي الموثوق، بما في ذلك العدالة، والعالمية، وقابلية التتبع، وسهولة الاستخدام، والصلابة، والشرح، والتي تعتبر ضرورية لتعزيز الثقة بين المتخصصين في الرعاية الصحية. أخيرًا، تشير إلى أنه بينما يمتلك الذكاء الاصطناعي القدرة على تعزيز برامج فحص سرطان الثدي بشكل كبير، فإن التقييم المستمر والتكيف مع الظروف السريرية الواقعية ضروريان لتحقيق فوائده بالكامل.
DOI: https://doi.org/10.1016/j.ejrad.2024.111457
PMID: https://pubmed.ncbi.nlm.nih.gov/38640824
Publication Date: 2024-04-16
Author(s): Oliver Díaz et al.
Primary Topic: AI in cancer detection
Overview
This review examines the advancements in artificial intelligence (AI) technology for the automated detection of breast cancer in digital mammography (DM) and digital breast tomosynthesis (DBT). It highlights the evolution of deep learning (DL) techniques, which have shown significant improvements over traditional computer-aided detection (CAD) systems, particularly in reducing false negatives and positives and identifying subtle abnormalities that may be overlooked by human radiologists. The review emphasizes the importance of data preprocessing, the application of various learning paradigms (supervised, unsupervised, semi-supervised, and reinforcement learning), and the necessity for independent validation to ensure the reliability and clinical efficacy of AI systems.
Despite the promising capabilities of DL-based AI systems, challenges such as the lack of standardized datasets, potential biases in training data, and regulatory hurdles remain significant barriers to their widespread adoption in breast cancer screening. The review concludes that while AI has the potential to enhance screening accuracy and alleviate the workload of radiologists, further research, collaboration among stakeholders, and adherence to international guidelines are crucial for the successful integration of AI technologies into routine clinical practice. The ongoing initiatives aim to improve transparency and reliability, ultimately fostering greater acceptance of AI tools in breast cancer detection.
Introduction
The introduction of this research paper discusses the longstanding challenge of automated breast cancer detection in mammography, highlighting the reliance on radiologists for assessments despite the inherent risks of false negatives and false positives. Current screening methods, including digital mammography (DM) and digital breast tomosynthesis (DBT), still depend heavily on human interpretation, which can lead to significant workload issues given that most exams yield normal results. The paper notes that while computer-aided detection (CAD) systems utilizing traditional machine learning (ML) techniques have been in use since the 1990s, their high false positive rates have limited their acceptance in clinical settings.
In contrast, recent advancements in deep learning (DL) artificial intelligence (AI) have shown promise in enhancing detection accuracy, with claims that these systems can match or even surpass radiologists in performance. The introduction emphasizes the need for further research to validate these claims and ensure successful integration of AI technologies into breast cancer screening programs. The review aims to provide a comprehensive overview of AI applications in this field, addressing the current landscape of available systems, their technological foundations, and the ongoing challenges that must be addressed for effective implementation.
Results
The results section of the research paper highlights the current state of evidence regarding the use of artificial intelligence (AI) in breast cancer screening, emphasizing the transition from retrospective studies to prospective clinical trials. Notably, the MASAI trial demonstrated a 28% increase in cancer detection rate (CDR) with AI triaging, achieving statistical significance (P = 0.002), while maintaining a similar recall rate. Additionally, the ScreenTrustCAD study indicated a 4% increase in CDR (P = 0.017) and a reduction in recall rates, achieved by halving the number of screen readings. These findings support earlier retrospective evaluations and suggest that AI can enhance screening efficiency.
Furthermore, the ongoing AITIC trial is exploring a partially autonomous AI strategy, which could potentially eliminate the need for human review of up to 70% of normal screening exams. Preliminary results from this trial, involving 24,000 women, indicate a safe and effective approach, with an increase in CDR from 6.2 to 7.2 per 1,000 exams when AI is utilized for the most suspicious cases. The section concludes by raising questions about the willingness of different countries and screening programs to adopt these findings, as many hospitals are already integrating AI based on local clinical needs, which may influence the pace of AI implementation in breast cancer screening.
Discussion
The discussion section of the research paper highlights the transformative role of artificial intelligence (AI) and deep learning (DL) in breast imaging, emphasizing the shift from traditional computer-aided detection (CAD) systems to more sophisticated neural network architectures. The advancements in computational power and the availability of large datasets have enabled AI to learn directly from data, leading to improved accuracy in breast cancer detection. Notably, studies have shown that DL models can achieve detection rates comparable to those of experienced radiologists, while also reducing workload and maintaining specificity. However, the clinical implementation of these technologies remains limited, primarily due to challenges such as data quality, the need for comprehensive validation, and the necessity for explainability in AI decision-making processes.
The section further discusses the importance of high-quality data for training AI systems, underscoring that effective preprocessing and data augmentation strategies are crucial for optimal performance. It also addresses the need for independent validation of AI tools to ensure their reliability and generalizability across diverse clinical settings. The paper outlines several principles for trustworthy AI, including fairness, universality, traceability, usability, robustness, and explainability, which are essential for fostering confidence among healthcare professionals. Lastly, it notes that while AI has the potential to enhance breast cancer screening programs significantly, ongoing evaluation and adaptation to real-world clinical conditions are necessary to fully realize its benefits.