Περισσότερες από μισό εκατομμύριο γυναίκες πεθαίνουν ετησίως από καρκίνο του μαστού παγκοσμίως. Ο τακτικός προσυμπτωματικός έλεγχος οδηγεί σε έγκαιρη διάγνωση της νόσου και επιτυγχάνει μείωση της θνησιμότητας κατά 30% περίπου.
Ο προληπτικός έλεγχος πραγματοποιείται με ετήσια μαστογραφία από την ηλικία των 40 ετών (που συνοδεύεται από υπερηχογράφημα σε γυναίκες με πυκνή σύσταση μαστών). Σε γυναίκες με βαρύ οικογενειακό ιστορικό ή μεταλλάξεις γονιδίων, ο τακτικός έλεγχος με μαστογραφία αρχίζει μία δεκαετία νωρίτερα και περιλαμβάνει και τακτική διενέργεια μαγνητικής μαστών.
Στις ΗΠΑ πραγματοποιούνται περίπου 40.000.000 μαστογραφίες τον χρόνο. Η μαστογραφία είναι η πιο αποτελεσματική εξέταση στην πρώιμη διάγνωση του καρκίνου μαστού, εντοπίζοντας το 75% περίπου των καρκίνων περίπου έναν χρόνο πριν να δώσουν κλινικά συμπτώματα. Η μαστογραφία εντοπίζει σωστά το 85-87% των καρκίνων μαστού. Παρά τα αυστηρά κριτήρια ελέγχου ποιότητος (QA) και τη χρήση εξοπλισμού υψηλής τεχνολογίας, οι ακτινολόγοι δεν καταφέρνουν πάντα να βρίσκουν έγκαιρα τον καρκίνο μαστού. Ένας αριθμός βλαβών δεν εντοπίζεται ή αξιολογείται λάθος από τους ακτινολόγους, γεγονός που οδηγεί σε καθυστερημένη αντιμετώπιση (με αποτέλεσμα εντονότερες θεραπείες και μειωμένη επιβίωση).
Κούραση, παράβλεψη, φτωχή ποιότητα εικόνας, αβέβαιες ενδείξεις κακοήθειας και φτωχή εμπειρία του ακτινολόγου μπορεί να αποτελούν λόγους αποτυχίας. Η ανάγνωση των μαστογραφιών από δύο ακτινολόγους μειώνει τα σφάλματα, αλλά οδηγεί σε αυξημένο κόστος και διαχειριστικές δυσκολίες.
Η επανάσταση της Τεχνητής Νοημοσύνης (AI) στα υπολογιστικά συστήματα, που στηρίζεται στη βαθιά μάθηση (Deep Learning) και στα συνελικτικά νευρωνικά δίκτυα (CNN), βρίσκει σημαντικές εφαρμογές στο πεδίο της αυτοματοποιημένης ανίχνευσης καρκίνου του μαστού και παρέχει πολλές υποσχέσεις για βελτίωση της διάγνωσης.
Τα συνελικτικά νευρωνικά δίκτυα βαθιάς μάθησης (DL-CNN) πραγματοποιούν την επεξεργασία μιας εικόνας σε πολλαπλά διαδοχικά επίπεδα, συνδυάζοντας τα δεδομένα. Η σύνθεση αυτών των πληροφοριών επιτυγχάνει την αναγνώριση της κακοήθειας. Ο προσδιορισμός των χαρακτηριστικών της εικόνας, που είναι ενδεικτικές της βλάβης, πραγματοποιείται από τον ίδιο τον αλγόριθμο κατά τη διάρκεια της εκπαίδευσής του και όχι από τον άνθρωπο-προγραμματιστή. Ο αλγόριθμος δεν διδάσκεται, αλλά αυτοεκπαιδεύεται. Για την εκπαίδευσή του χρησιμοποιούνται βάσεις δεδομένων από μεγάλα νοσοκομεία, που περιέχουν τουλάχιστον 10.000 φυσιολογικές μαστογραφίες και 10.000 μαστογραφίες με καρκίνους (το 1/3 αποτελούν βλάβες με αποτιτανώσεις). Το σύστημα βελτιώνεται συνεχώς, τροφοδοτούμενο με νέα περιστατικά.
Ο αλγόριθμος υποδεικνύει στον ακτινολόγο τη βλάβη (ή τις βλάβες) και την αξιολογεί παρέχοντας ένα Lesion Score (πιθανότητα κακοήθειας) ανά βλάβη. Επίσης, παρέχει ένα συνολικό Case Score, που συνυπολογίζει το σύνολο των βλαβών της εξέτασης. Το Case Score ταξινομεί τις εξετάσεις από τις πλέον «ύποπτες» έως τις «φυσιολογικές», επιτυγχάνοντας μείωση του μέσου χρόνου ανάγνωσης ανά περιστατικό κατά περίπου 5%. Η ΑΙ βελτιώνει την απόδοση των ακτινολόγων που έχουν μικρότερη εμπειρία στη μαστογραφία, υποβοηθώντας στην αξιολόγηση των αμφίβολων και δύσκολων περιστατικών.
Σε πολυκεντρική μελέτη 2.652 εξετάσεων (με 653 κακοήθειες), που γνωματεύθηκαν παράλληλα από 101 ακτινολόγους και από 4 εμπορικά συστήματα Τεχνητής Νοημοσύνης, παρατηρήθηκε ότι η απόδοση των συστημάτων τεχνητής νοημοσύνης δεν ήταν κατώτερη από αυτήν του μέσου όρου των ακτινολόγων. Τα συστήματα Τ.Ν. (ΑΙ) είχαν καλύτερες επιδόσεις από το 61% των ακτινολόγων. (1)
Σε άλλη μελέτη 18.000 εξετάσεων μαστογραφίας που πραγματοποιήθηκαν το 2018 στο Κέντρο Screening του Μονάχου, η εκ των υστέρων εφαρμογή της Τεχνητής Νοημοσύνης πέτυχε ευαισθησία 91,5% και ειδικότητα 80,2% στη διάγνωση του καρκίνου μαστού, ποσοστά που ήταν συγκρίσιμα με την απόδοση των έμπειρων ακτινολόγων. (4)
Με βάση αυτές τις επιδόσεις, τα υπολογιστικά συστήματα ΑΙ θα μπορούσαν ακόμη και να υποκαταστήσουν πλήρως τους ακτινολόγους στη διάγνωση. Νομικά θέματα όμως και θέματα ασφάλειας των ασθενών δεν επιτρέπουν προς το παρόν αυτόν τον τρόπο χρήσης του ΑΙ. Είναι σημαντική πάντως η υποβοήθηση των γιατρών στη μείωση των σφαλμάτων. Η αξιολόγηση του υπολογιστή λαμβάνεται υπόψη ως δεύτερη γνώμη. Το υπολογιστικό σύστημα θα μπορούσε να υποκαταστήσει τον δεύτερο ακτινολόγο όπου απαιτείται υποχρεωτική ανάγνωση από δύο ακτινολόγους. Με δεδομένη την αυξανόμενη έλλειψη ακτινολόγων μαστού και μάλιστα έμπειρων, η τακτική αυτή θα μπορούσε να υποβοηθήσει και να βελτιώσει τα προγράμματα screening.(2)
Η Ψηφιακή Τομοσύνθεση (DBT) αποτελεί μετεξέλιξη της μαστογραφίας, που χρησιμοποιείται στο screening και στη διάγνωση. Είναι τεχνική απεικόνισης του μαστού μέσω επάλληλων 2D τομών, που ελαχιστοποιεί την απόκρυψη των καρκίνων από συμπροβολή ιστών. Βελτιώνει την απεικόνιση των μαζών και των διαταραχών αρχιτεκτονικής μέσω της αύξησης της ευκρίνειας των ορίων των βλαβών. Βελτιώνει τα ποσοστά ανίχνευσης του καρκίνου και μειώνει τα ποσοστά επανάκλησης (που προκαλούν αγωνία και ταλαιπωρία των γυναικών). Κάθε τυπική DBT εξέταση, όμως, αποτελείται από περίπου 60 τομές του 1 mm. Ο μεγάλος αριθμός τομών οδηγεί σε αυξημένο χρόνο γνωμάτευσης και σε σφάλματα λόγω κόπωσης.
Σε πρόσφατη αμερικανική μελέτη της απόδοσης 24 ακτινολόγων που γνωμάτευσαν 260 τομοσυνθέσεις (DBT) με βοήθεια ή χωρίς τη βοήθεια της Τεχνητής Νοημοσύνης, παρατηρήθηκε ότι με τη χρήση Τ.Ν. τα ποσοστά ανίχνευσης καρκίνου βελτιώθηκαν κατά 8%, οι επανακλήσεις μειώθηκαν κατά 7,2%, ο χρόνος ανάγνωσης των εξετάσεων μειώθηκε μεσοσταθμικά κατά 52,7% και ειδικά για πυκνούς μαστούς κατά 57,4%.(3)
Εφαρμόζοντας ένα από τα πλέον εξελιγμένα συστήματα Τεχνητής Νοημοσύνης σε 11.500 ψηφιακές μαστογραφίες και τομοσυνθέσεις ασθενών στο κέντρο μας, παρατηρήθηκε βελτίωση ανίχνευσης καρκίνου κατά 10%, μείωση επανακλήσεων κατά 9%, μείωση χρόνου ανάγνωσης μαστογραφιών 8%, τομοσυνθέσεων 50%, καθώς και μείωση μεγέθους κατά τη διάγνωση των νεοδιαγνωσθέντων καρκίνων κατά 20%. (5)
Τα εξελιγμένα προγράμματα Τεχνητής Νοημοσύνης παρέχουν ακόμη τη δυνατότητα, αξιολογώντας την εικόνα της μαστογραφίας, να προβλέψουν τον κίνδυνο να πάθει η γυναίκα καρκίνο μαστού εντός της επόμενης διετίας (Risk Evaluation). Αυτή η πληροφορία οδηγεί σε ανάγκη για τακτικότερη εξέταση των μαστών και συμπληρωματική εξέταση και με άλλες μεθόδους (τομοσύνθεση, υπερηχογραφία, μαστογραφία με σκιαγραφικό, μαγνητική μαστογραφία), καταλήγοντας στον εξατομικευμένο προληπτικό έλεγχο (personalized screening).
Συμπερασματικά, η εφαρμογή της Τεχνητής Νοημοσύνης στη μαστογραφία και τομοσύνθεση συμβάλλει:
- στη βελτίωση στην ανίχνευση του καρκίνου μαστού, με μείωση επανακλήσεων, ταλαιπωρίας και άγχους των γυναικών
- στην πρώιμη ανακάλυψη καρκίνων, προτού γίνουν αντιληπτοί από τον διαγνώστη ακτινολόγο (έως και δύο χρόνια νωρίτερα)
- στην έγκαιρη ανίχνευση των επιθετικών καρκίνων
- στην υποβοήθηση και εκπαίδευση νέων ακτινολόγων με μικρότερη εμπειρία
- στη βελτίωση απόδοσης έμπειρων ακτινολόγων με μεγάλο φόρτο εργασίας
- στη βελτίωση της ποιότητας των προγραμμάτων προληπτικού ελέγχου και
- στην εξατομίκευση του προληπτικού ελέγχου μέσω αξιολόγησης βραχυχρόνιου κινδύνου.
Η Τεχνητή Νοημοσύνη έχει ευρύ πεδίο εφαρμογών και εξέλιξης στη διαγνωστική του μαστού, αλλά λόγω υψηλού κόστους οι εγκαταστάσεις προς το παρόν περιορίζονται σε εξειδικευμένα διαγνωστικά εργαστήρια και νοσηλευτήρια στην Ελλάδα και διεθνώς.