Τεχνητή Νοημοσύνη
Τα επιτεύγματα της τεχνητής νοημοσύνης (AI) στον 21ο αιώνα δεν μπορούν παρά να προκαλούν ενθουσιασμό, αφού διευρύνουν σε εξαιρετικό βαθμό τις ανθρώπινες δυνατότητες.
ΑΙ για την ψηφιακή μαστογραφία
Στο κέντρο μας έχουμε εγκαταστήσει σύστημα τεχνητής νοημοσύνης για την ανίχνευση ύποπτων βλαβών στη μαστογραφία με τη βοήθεια της πλατφόρμας CAD, της εταιρείας Transpara, Screen Point Medical. Η νέα αυτή τεχνολογία, έχοντας μελετηθεί σε εκατοντάδες μαστογραφίες γυναικών με ή χωρίς παθολογικά ευρήματα, όπου η εγκυρότητα της τεχνικής είναι εντυπωσιακή, χρησιμεύει ως δεύτερο σετ ματιών και καίριο βοήθημα του ακτινοδιαγνώστη στη μάχη ενάντια στον καρκίνου του μαστού. Ένα άλλο σημαντικό πλεονέκτημα αυτής της τεχνολογίας είναι η δυνατότητα βαθμολόγησης των μαστογραφιών, με επισήμανση των περιπτώσεων υψηλού έναντι χαμηλού κινδύνου, πράγμα το οποίο μας βοηθά σημαντικά στην εφαρμογή ειδικών πρωτοκόλλων παρακολούθησης για τις γυναίκες που παρουσιάζουν αυξημένο κίνδυνο.
Εικόνα 1. Μαστογραφία με την εφαρμογή της τεχνητής νοημοσύνης, όπου οι ύποπτες περιοχές στον αριστερό μαστό έχουν επισημανθεί με κύκλους και έχουν βαθμολογηθεί ανάλογα με τον ενδεχόμενο κίνδυνο κακοήθειας.
ΑΙ για το αυτοματοποιημένο υπερηχογράφημα μαστού (ABUS)
Το σύστημα CAD, αφού επεξεργαστεί τα δεδομένα από τις εικόνες του αυτοματοποιημένου υπερηχογραφήματος (ABUS), μέσω ειδικού αλγορίθμου επισημαίνει δυνητικά ύποπτα ευρήματα που έχουν μέγεθος άνω των 5 χιλιοστών.
Ακολουθώντας στενά τις διεθνείς εξελίξεις, στη «Διαγνωστική Μαστογραφία» εγκαταστήσαμε το 2019 στο κέντρο μας μια κορυφαία πλατφόρμα Τεχνητής Νοημοσύνης μαστού της εταιρείας QVCAD για το ABUS, για να βελτιωθεί σημαντικά η ανίχνευση καρκίνου σε ασυμπτωματικές γυναίκες, οδηγώντας έτσι σε ακόμα πιο έγκαιρες και ακριβείς διαγνώσεις.
Εικόνα 2. Αυτοματοποιημένου υπερηχογραφήματος μαστού με τεχνητή νοημοσύνη στην οποία επισημαίνεται με πράσινο κύκλο η ύποπτη αλλοίωση.
Αναφορές:
- Priscilla J. Slanetz. Does Computer-aided Detection Help in Interpretation of Automated Breast US? Radiology 2019; 00:1–2.
- Yang S, Gao X, Liu L, et al. Performance and reading time of automated breast US with or without computer-aided detection. Radiology 2019. https://doi.org/10.1148/radiol. 2019181816.
- XuX, BaoL, TanY, ZhuL, Kong F, Wang W.1000-Case Reader Study of Radiologists’ Performance in Interpretation of Automated Breast Volume Scanner Images with a Computer-Aided Detection System. Ultrasound Med Biol 2018;44(8):1694–1702.
- Van Zelst JCM, Tan T, Clauser P, et al. Dedicated computer-aided detection software for automated 3D breast ultrasound; an efficient tool for the radiologist in supple- mental screening of women with dense breasts. Eur Radiol 2018;28(7):2996–3006.
- Alejandro Rodríguez-Ruiz, Elizabeth Krupinski, Jan-Jurre Mordang et al. Detection of Breast Cancer with Mammography: Effect of an Artificial Intelligence Support System. Radiology 2019; 00:1–10.
- Lehman CD, Wellman RD, Buist DS, et al. Diagnostic accuracy of digital screening mammography with and without computer-aided detection. JAMA Intern Med 2015;175(11):1828–1837.