Τεχνητή νοημοσύνη
Ο όρος τεχνητή νοημοσύνη αναφέρεται στο αντικείμενο της πληροφορικής που ασχολείται με την σχεδίαση υπολογιστικών αλγορίθμων που μιμούνται νοητικές διαδικασίες και γνωστικές λειτουργίες της ανθρώπινης συμπεριφοράς όπως η μάθηση, η κατανόηση νοημάτων, η επίλυση προβλημάτων και η εξαγωγή συμπερασμάτων.
Η δομή που περικλείει η τεχνητή νοημοσύνη περιλαμβάνει την μηχανική μάθηση, τεχνικές και αλγόριθμους βαθιάς εκμάθησης και βαθιά νευρωνικά δίκτυα τα οποία δρουν παρόμοια με τα κύτταρα του οπτικού φλοιού του ανθρώπινου εγκεφάλου. Το κύριο χαρακτηριστικό των νευρωνικών δικτύων είναι η σταδιακή βελτίωση των αλγορίθμων μέσω της εκπαίδευσης του μοντέλου μάθησης και η εφαρμογή τους ευρύτερα στην καθημερινότητα μας.
Τα τελευταία χρόνια η τεχνητή νοημοσύνη εφαρμόζεται ολοένα και περισσότερο στην ιατρική απεικόνιση με υπεροχή αυτής στη μαστογραφία, στη τομοσύνθεση αλλά και στους υπερήχους προσφέροντας με ακρίβεια τον εντοπισμό αλλά και χαρακτηρισμό αλλοιώσεων ανάμεσα σε “καλοήθη” ή “κακοήθη” ευρήματα.
Το καινοτόμο αυτό εργαλείο μέσω της αυτόματης ανάγνωσης βλαβών προσφέρει διαδραστική υποστήριξη και σημαντική ενίσχυση του Ακτινοδιαγνώστη στη ανάγνωση παθολογικών αλλοιώσεων του μαστού.
Ακολουθώντας πιστά τις διεθνείς εξελίξεις εγκαταστήσαμε στο κέντρο μας μια κορυφαία πλατφόρμα Τεχνητής Νοημοσύνης μαστού για το Αυτοματοποιημένο Υπερηχογράφημα (ABUS) της εταιρείας QVCAD, το οποίο από μελέτες που έχουν διεξαχθεί απεδείχθη ότι η εφαρμογή του συστήματος αυτού βελτιώνει σημαντικά την ανίχνευση καρκίνου σε ασυμπτωματικές γυναίκες, οδηγώντας έτσι σε ακόμη πιο έγκαιρες και ακριβείς διαγνώσεις.
Εικόνα τεχνητής νοημοσύνης στην οποία επισημαίνεται με πράσινο κύκλο η ύποπτη αλλοίωση.
Στο κέντρο μας έχει εγκατασταθεί σύστημα τεχνητής νοημοσύνης για την ανίχνευση ύποπτων βλαβών στην μαστογραφία και στην τομοσύνθεση με την βοήθεια πλατφόρμας CAD της εταιρείας Transpara, Screen Point Medical. Η νέα αυτή τεχνολογία έχει μελετηθεί σε χιλιάδες μαστογραφίες και τομοσυνθέσεις γυναικών με και χωρίς ευρήματα, όπου η εγκυρότητα της τεχνικής είναι εντυπωσιακή, προσφέροντας σημαντικό βοήθημα στον Ακτινοδιαγνώστη στην μάχη ενάντια του καρκίνου του μαστού.
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.
- Kerlikowske K, Zhu W, Tosteson AN, et al. Identifying women with dense breasts at high risk for interval cancer: a cohort study. Ann Intern Med 2015;162(10):673–681.
- 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.
- Gromet M. Comparison of computer-aided detection to double reading of screening mammograms: review of 231,221 mammograms. AJR Am J Roentgenol 2008;190(4):854–859.
- Fenton JJ, Taplin SH, Carney PA, et al. Influence of computer-aided detection on performance of screening mammography. N Engl J Med 2007;356(14):1399–1409.
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.