В то время как маммография в настоящее время является золотым стандартом в скрининге рака молочной железы, существуют водовороты противоречий: защитники приводят аргументы в пользу способности спасать жизни (у женщин в возрасте от 60 до 69 лет риск смерти был на 33% ниже, чем у тех, кто не делал маммографию). , а другой лагерь утверждает о дорогостоящих и потенциально травмирующих ложных срабатываниях (метаанализ трех рандомизированных испытаний показал 19-процентный уровень гипердиагностики при маммографии).
Даже с некоторыми спасенными жизнями и некоторым чрезмерным лечением и чрезмерным скринингом текущие рекомендации по-прежнему универсальны: женщины в возрасте от 45 до 54 лет должны проходить маммографию каждый год. В то время как персонализированный скрининг долгое время считался ответом, инструменты, которые могут использовать для этого массивы данных, отстают.
Это побудило ученых из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) и Клиники машинного обучения и здравоохранения Джамиля задаться вопросом: можем ли мы использовать машинное обучение для проведения персонализированного скрининга?
Из этого появился Tempo, технология для создания руководств по скринингу на основе рисков. Используя модель риска на основе ИИ , которая учитывает, кто прошел скрининг и когда им поставили диагноз, Tempo порекомендует пациентке вернуться на маммографию в определенный момент времени в будущем, например, через шесть месяцев или три года. Та же самая политика Tempo может быть легко адаптирована к широкому диапазону возможных параметров скрининга, что позволит клиницистам выбрать желаемый компромисс между ранним выявлением и затратами на скрининг без обучения новым политикам.
Модель была обучена на большом наборе данных скрининговой маммографии из Массачусетской больницы общего профиля (MGH) и была протестирована на пациентах из MGH, а также на внешних наборах данных из больниц Emory, Karolinska Sweden и Chang Gung Memorial. Используя ранее разработанный командой алгоритм оценки риска Mirai, Tempo добилась лучшего раннего выявления, чем ежегодный скрининг, при этом в Каролинской больнице потребовалось на двадцать пять процентов меньше маммографий. В MGH рекомендовали проводить маммографию примерно в год и получили смоделированное преимущество раннего выявления примерно на четыре с половиной месяца лучше.
«Приспосабливая скрининг к индивидуальному риску пациента, мы можем улучшить результаты лечения пациентов, уменьшить чрезмерное лечение и устранить различия в состоянии здоровья», — говорит Адам Яла, доктор философии MIT CSAIL. студент и ведущий научный сотрудник. Учитывая массовые масштабы скрининга рака молочной железы , когда десятки миллионов женщин ежегодно проходят маммографию, усовершенствование наших рекомендаций чрезвычайно важно».
