מטרת המחקר הייתה להעריך את התפקוד האבחוני של ממוגרפיה דיגיטלית (Digital Mammography - DM), טומוסינטזיס דיגיטלית של השד (Digital Breast Tomosynthesis - DBT) ואסטרטגיות מבוססות בינה מלאכותית (Artificial Intelligence - AI) המשלבות DM ו-DBT עבור גידולי שד בקוטר עד 2 ס"מ.
עוד בעניין דומה
במחקר נכללו הדמיות DM ו-DBT מ-483 נשים שלהן 512 שאתות אשר נאספו בין התאריכים נובמבר 2018-נובמבר 2019. שאתות שפירות וממאירות נקבעו באמצעות ביופסיה וניתוח היסטולוגי, והנבדקות היו במעקב קליני למשך 24 חודשים. החוקרים השתמשו בשיטות של רדיומיקה ולמידה עמוקה על מנת להפיק מאפיינים של שאתות שד מההדמיות ולסווג שאתות ממאירות ושפירות. הדמיות DM,יDBT והדמיות משולבות DM+DBT הוזנו למערכות למידה עמוקה ורדיומיקה על מנת ליצור מודלים. החוקרים השתמשו בשטח שתחת עקומה אופיינית למסווג (Area Under The Receiver Operating Characteristic Curve - AUC) על מנת להעריך את יכולת התפקוד של המודל. מאגר נתונים חיצוני, שכלל הדמיות שד של 146 נבדקות ממרכז רפואי נפרד, מהתאריכים מרץ 2021-דצמבר 2022, נכלל עבור אישוש חיצוני של המודלים.
תוצאות המחקר הדגימו כי בהשוואה למודל DM ומודל DBT, מודל רדיומי ולמידה עמוקה של DM+DBT הדגימו AUC גבוהים יותר עם מובהקות סטטיסטית (0.81 [RA-DM], 0.823 [RA-DBT] ו-0.869 [RA-DM+DBT]; p≤0.001 | 0.867 [DL-DM], 0.871 [DL-DBT] ו-0.908 [DL-DM+DBT]; p=0.001). מודלים מבוססים למידה עמוקה נמצאו עדיפים על פני מודלים רדיומיים בכלל המבדקים (DM:י0.867 לעומת 0.810; p=0.001, DBT:י0.871 לעומת 0.823; p=0.001, DM+DBT:י0.908 לעומת 0.869; p=0.003).
מסקנת החוקרים הייתה כי הוספה של DBT ל-DM משפר את היכולת האבחונית של שאתות קטנות מ-2 ס"מ, בהשוואה למבדקי DM בלבד. שיטות מבוססות AI, במיוחד אלו מסוג למידה עמוקה, מסוגלים לשפר עוד את היכולת האבחונית של הדמיות אלו.
מקור: