Deep Learning Tingkatkan Kualitas Penilaian Risiko Kanker Payudara

Pendekatan ini, yang dikenal sebagai transfer learning, memungkinkan mereka untuk melatih model secara lebih efisien dengan data pencitraan medis yang lebih sedikit.

Dengan menggunakan hampir 160.000 gambar mammogram digital lapangan penuh yang diberi nilai kepadatan pada skala analog visual oleh para ahli dari 39.357 wanita, para peneliti mengembangkan prosedur untuk memperkirakan skor kepadatan untuk setiap gambar mammogram.

Tujuannya adalah untuk mengambil gambar mammogram sebagai masukan dan menghasilkan skor kepadatan sebagai keluaran.

Prosedur ini melibatkan prapemrosesan gambar untuk membuat proses pelatihan secara komputasi tidak terlalu intensif, mengekstraksi fitur dari gambar yang diproses dengan model pembelajaran mendalam, memetakan fitur ke satu set skor kepadatan, dan kemudian menggabungkan skor menggunakan pendekatan ansambel untuk menghasilkan estimasi kepadatan akhir.

Dengan pendekatan ini, para peneliti mengembangkan model yang sangat akurat untuk memperkirakan kepadatan payudara dan korelasinya dengan risiko kanker sekaligus menghemat waktu komputasi dan memori.

Menurut Astley, "Kinerja model ini sebanding dengan kinerja para ahli manusia dalam batas-batas ketidakpastian. Selain itu, model ini dapat dilatih dengan lebih cepat dan pada dataset kecil atau subset dari dataset besar."

Kerangka kerja deep transfer learning tidak hanya berguna untuk memperkirakan risiko kanker payudara, tetapi juga untuk melatih model pencitraan medis lainnya berdasarkan estimasi kepadatan jaringan payudara.

Hal ini, pada gilirannya, dapat meningkatkan kinerja dalam tugas-tugas seperti prediksi risiko kanker atau segmentasi gambar.

Temuan penelitian ini diterbitkan dalam Journal of Medical Imaging. Pengembangan model pembelajaran mendalam memiliki implikasi yang signifikan untuk penilaian risiko kanker payudara dan berpotensi membantu mendeteksi kanker payudara pada tahap awal, yang mengarah pada hasil pengobatan yang lebih baik bagi pasien.