Model AI inovatif yang dikembangkan oleh AI for Good Lab milik Microsoft meningkatkan deteksi kanker payudara pada pemindaian MRI, mengungguli metode tradisional dan berpotensi mengubah prosedur diagnostik.
Sebuah model AI baru telah dikembangkan untuk merevolusi deteksi kanker payudara pada pemindaian MRI, meningkatkan akurasi identifikasi lokasi tumor secara signifikan dibandingkan dengan model benchmark yang ada. Alat inovatif ini, yang dilatih pada kumpulan data besar yang terdiri dari hampir 10,000 hasil pemeriksaan MRI payudara, terungkap dalam sebuah studi. diterbitkan hari ini di jurnal Radiologi.
“MRI berbantuan AI berpotensi mendeteksi kanker yang tidak dapat dideteksi manusia,” ujar peneliti utama Felipe Oviedo, analis riset senior di AI for Good Lab milik Microsoft, dalam siaran pers.
Tantangan Saat Ini dalam Skrining Kanker Payudara
Meskipun skrining mammografi tetap menjadi standar perawatan dalam deteksi kanker payudara, efektivitasnya menurun pada pasien dengan jaringan payudara padat. Payudara padat tidak hanya meningkatkan risiko kanker tetapi juga mempersulit deteksi tumor melalui mamografi.
Untuk mengatasi hal ini, dokter sering menyarankan MRI payudara sebagai alat skrining tambahan, terutama bagi wanita dengan payudara padat atau mereka yang berisiko tinggi terkena kanker.
"MRI lebih sensitif daripada mamografi," tambah Oviedo. "Namun, biayanya juga lebih mahal dan tingkat positif palsunya lebih tinggi."
Meningkatkan Akurasi Dengan AI
Mengingat tantangan ini, tim Oviedo berkolaborasi dengan peneliti klinis dari Departemen Radiologi Universitas Washington untuk mengembangkan model AI yang mampu mendeteksi anomali.
Model ini unggul dalam membedakan data normal dan abnormal, membantu mengidentifikasi potensi keganasan untuk penyelidikan lebih lanjut. Model tradisional memiliki kelemahan dalam hal ini, seringkali dibangun di atas distribusi data yang tidak realistis sehingga gagal memberikan kinerja yang baik pada populasi kanker dengan prevalensi rendah.
"Model-model yang dikembangkan sebelumnya dilatih berdasarkan data yang 50%-nya merupakan kasus kanker dan 50%-nya merupakan kasus normal, yang merupakan distribusi yang sangat tidak realistis," tambah Oviedo. "Model-model tersebut belum dievaluasi secara ketat pada populasi kanker dengan prevalensi rendah atau populasi skrining (di mana 2% dari semua kasus atau kurang adalah kanker), dan model-model tersebut juga kurang interpretatif, yang keduanya penting untuk adopsi klinis."
Pengembangan dan Pengujian Model AI
Model inovatif ini dilatih menggunakan data dari hampir 10,000 pemeriksaan MRI payudara dengan kontras selama 17 tahun. Sekitar 80% pasien berkulit putih, dengan 42.9% memiliki payudara yang padat secara heterogen dan 11.6% memiliki payudara yang sangat padat.
Tidak seperti model klasifikasi biner, alat deteksi anomali ini belajar dari representasi kasus jinak yang kuat, meningkatkan kemampuannya untuk menandai keganasan abnormal bahkan ketika kurang terwakili selama pelatihan.
"Model kami memberikan penjelasan yang mudah dipahami, bahkan hingga tingkat piksel, tentang apa yang abnormal pada payudara," tambah Oviedo. "Peta panas anomali ini dapat menyoroti area yang berpotensi menimbulkan kekhawatiran, sehingga memungkinkan ahli radiologi untuk fokus pada pemeriksaan yang lebih mungkin merupakan kanker."
Model AI ini menjalani pengujian ketat pada set data internal dan eksternal, termasuk pemeriksaan MRI payudara pra-perawatan dari berbagai pusat. Model deteksi anomali ini secara akurat menunjukkan lokasi tumor dan mengungguli model benchmark yang ada di berbagai kelompok validasi dan tugas deteksi.
Implikasi untuk Praktek Klinis
Jika diintegrasikan ke dalam alur kerja radiologi, alat AI ini dapat meningkatkan efisiensi skrining MRI payudara secara signifikan dengan mengecualikan pemindaian normal untuk keperluan triase dan berfokus pada pemindaian yang berpotensi abnormal. Hal ini dapat menyederhanakan proses diagnostik, memungkinkan ahli radiologi untuk memprioritaskan kasus kanker yang lebih mungkin terjadi.
Jalan ke Depan
Sebelum diadopsi secara klinis, model ini memerlukan evaluasi pada kumpulan data yang lebih besar dan studi prospektif untuk sepenuhnya memastikan potensinya dalam meningkatkan alur kerja ahli radiologi dan berpotensi menyelamatkan nyawa melalui deteksi dini kanker payudara yang lebih akurat.