L’Intelligenza Artificiale migliora lo screening mammografico

Hologic è stata in prima linea nel miglioramento della diagnosi precoce del tumore al seno, essendo il primo fornitore a commercializzare la tecnologia di tomosintesi. La tomosintesi sta diventando lo standard di cura in molte regioni, sostituendo la mammografia bidimensionale (2D) convenzionale, grazie alla sua capacità di aumentare simultaneamente il tasso di rilevazione dei tumori e ridurre i richiami falsi.1,2 Nonostante il miglioramento complessivo della rilevazione dei tumori derivante dall’uso della tomosintesi, permane un’ampia variabilità di prestazioni tra i singoli radiologi3 e alcuni tumori possono essere mancati anche con la tecnologia di imaging più aggiornata.4 Inoltre, la lettura degli esami in tomosintesi richiede lo scorrimento di centinaia di immagini, a fronte delle quattro proiezioni standard della mammografia 2D, aumentando il potenziale affaticamento del radiologo. L’adozione della tomosintesi offre opportunità sia per migliorare ulteriormente la rilevazione dei tumori sia per creare efficienze nel flusso di lavoro. Una recente innovazione che migliora l’efficienza è la tecnologia 3DQuorum™, che utilizza l’intelligenza artificiale (IA) per creare SmartSlices riducendo il numero di immagini da esaminare. Un’altra tecnologia emergente è l’applicazione del deep learning (DL) per identificare potenziali anomalie nello stack di tomosintesi ed evidenziare tali aree ai radiologi. Con i progressi nella velocità di elaborazione dei computer, è diventato possibile impiegare tecniche IA all’avanguardia, come il deep learning, per analizzare le grandi quantità di dati di immagine generate dalla tomosintesi. La piattaforma di prodotto Genius AI Detection di Hologic offre una serie di strumenti di supporto decisionale basati su IA avanzata. Questo white paper illustra il software di rilevazione del cancro basato su deep learning per la tomosintesi, Genius AI Detection, che identifica accuratamente le regioni di interesse (ROI) contenenti caratteristiche di malignità con una specificità notevolmente migliorata rispetto agli algoritmi di Computer Aided Detection (CAD) convenzionali.12,13 Questa nuova tecnologia supporta le prestazioni diagnostiche dei radiologi e favorisce l’efficienza di lettura. Il documento tratta anche i miglioramenti del flusso di lavoro che supportano il triage dei pazienti con Genius AI Detection.

L’intelligenza artificiale è stata oggetto di studio per decenni. IA è un termine ampio che descrive la capacità di macchine o computer di imitare funzioni della cognizione umana. Il machine learning (ML) è un sottoinsieme dell’IA che utilizza modelli statistici addestrabili con campioni di dati noti per svolgere un compito, ad esempio rilevare oggetti specificati nelle immagini. Hologic vanta una lunga storia di competenze nel ML, a partire dal 1998, quando il primo prodotto CAD basato su ML di Hologic per rilevare tumori da immagini mammografiche, ImageChecker® CAD, è stato approvato dalla FDA. Da allora, Hologic è stata in prima linea nello sviluppo di strumenti di supporto alle decisioni che impiegano tecniche ML. Prodotti Hologic come il software di valutazione della densità mammaria Quantra™, la tecnologia 3DQuorum e le immagini sintetiche C-View™ e Intelligent 2D™ sono alimentati da ML. Parallelamente allo sviluppo di questi prodotti basati su ML, che utilizzavano principalmente tecniche di machine learning convenzionali, Hologic ha lavorato per adottare il deep learning (DL), tecnologia che ha rivoluzionato il campo del ML. Il deep learning è un sottoinsieme del ML che sfrutta la potenza computazionale delle GPU (Graphics Processing Unit) per addestrare modelli statistici molto complessi, contenenti centinaia di strati di parametri, detti quindi ‘profondi’. Sebbene modelli più profondi offrano prestazioni migliori rispetto a modelli con meno strati,5 la quantità di dati necessaria per addestrarli è di un ordine di grandezza superiore rispetto ai modelli ‘shallow’. Hologic ha sfruttato l’ampia base installata di sistemi di tomosintesi per raccogliere i dati di training necessari allo sviluppo di modelli per il rilevamento dei tumori nelle immagini di tomosintesi.

Per comprendere i metodi di IA più comunemente impiegati nel tumore al seno, possiamo distinguerli in due gruppi: machine learning ‘classico’ e machine learning ‘profondo’.

Machine learning classico
Gli algoritmi CAD originali possono essere spiegati come un ‘insegnare’ al computer a rilevare il tumore al seno in modo analogo a come si descriverebbe a un essere umano l’aspetto di un tumore.6 Gli scienziati IA programmano il software per rilevare e quantificare aspetti dell’immagine o ‘feature’ che possono essere caratteristici del tumore al seno. La progettazione di queste feature richiede la comprensione di come il tessuto neoplastico e quello normale appaiano nelle immagini, e pertanto tali feature sono dette ‘manualmente progettate’. Sono quantificazioni matematiche di proprietà delle immagini rilevanti per il rilevamento di anomalie (ad es. margini irregolari vs. lisci, spicolature, o aree con punti luminosi di forme o dimensioni diverse). I valori quantificati di queste feature, ottenuti da immagini di pazienti con caratteristiche diagnostiche note, possono essere usati per ‘addestrare’ una rete neurale che calcola un valore indicante la probabilità di tumore. La rete neurale può essere vista come una combinazione algebrica di tutte le feature, in cui la ‘formula’ viene regolata in base ai campioni noti. Il processo di ottimizzazione mediante esempi noti è detto ‘training’ ed è eseguito automaticamente dall’algoritmo. Le prestazioni dell’algoritmo finale dipendono da: 1) selezione delle feature; 2) generalizzabilità, qualità e quantità dei dati di training; 3) scelta dell’architettura della rete neurale. Questo è il metodo su cui il CAD per il tumore al seno ha fatto affidamento per molti anni.

Machine learning profondo
Il deep learning offre prestazioni nettamente superiori rispetto al CAD classico.7 A differenza del ML classico, il DL non usa feature ‘manualmente progettate’ per ‘insegnare’ al computer come rilevare i tumori descrivendo e caratterizzando aspetti di imaging. Al posto delle feature, gli input sono i pixel dell’immagine. Nel DL ci sono quindi molti più input (diverse migliaia di pixel) rispetto alle poche decine di feature dei metodi classici, e molti più strati ‘nascosti’. L’addestramento procede in modo analogo: si forniscono molte immagini all’algoritmo e si determinano iterativamente i pesi di ciascun nodo in ogni strato per ottimizzare l’output nell’identificazione del tumore. Il sistema può essere visto come se imparasse autonomamente che cosa cercare. Vi sono differenze sostanziali rispetto al ML classico: serve un numero di immagini molto maggiore per ottenere prestazioni ottimali; gli input aumentano da decine a migliaia; e i requisiti computazionali sono di molti ordini di grandezza superiori. Solo recentemente la potenza di calcolo ha reso possibile questo approccio. I conseguenti algoritmi DL offrono prestazioni nettamente superiori rispetto ai metodi classici.

Genius AI Detection applica il deep learning alle immagini di tomosintesi mammaria ottenute con i sistemi 3Dimensions™ e Selenia® Dimensions® di Hologic. L’algoritmo è progettato per localizzare lesioni che verosimilmente rappresentano tumore al seno, cercando in ciascuna sezione dello stack di tomosintesi. Le lesioni vengono marcate sulle sezioni appropriate con segni familiari agli utenti del CAD 2D classico; i marcatori possono inoltre essere sovrapposti su un’immagine 2D sintetica e sulle 3DQuorum SmartSlices. La sovrapposizione sull’immagine 2D sintetica aiuta il radiologo offrendo una vista d’insieme con le aree sospette chiaramente indicate e una navigazione rapida fino alla sezione di tomosintesi in cui il marcatore è stato identificato.

Panoramica dell’algoritmo
Il software Genius AI Detection utilizza metodologie di deep learning a diversi livelli di analisi impiegando modelli all’avanguardia di rilevamento oggetti e classificazione. Diversi modelli DL consolidati8,9,10 sono usati nei vari moduli dell’algoritmo, con metodologie proprietarie di training e addestrati su una grande quantità di dati clinici. Moduli dedicati si occupano del rilevamento di ROI contenenti lesioni dei tessuti molli e di ROI contenenti cluster di calcificazioni; ciascun modulo è addestrato separatamente per identificare il rispettivo tipo di lesione. Ogni vista standard di tomosintesi viene elaborata a livello ‘view’; i risultati combinati delle quattro viste standard vengono poi elaborati a livello ‘case’. Il processing a livello di vista utilizza un modulo di rilevamento oggetti per identificare candidati ROI, successivamente analizzati da un modulo di classificazione che assegna un livello di confidenza a ciascun candidato. Soglie applicate ai candidati ordinati eliminano quelli con confidenza più bassa dal passaggio al livello ‘case’. Il modulo di livello ‘case’ analizza i reperti candidati dalle quattro viste e assegna valori di confidenza finali a ciascun candidato, oltre a uno score complessivo per il caso. Una soglia è applicata all’elenco ordinato dei candidati da mostrare all’utente come potenziali lesioni tumorali. A ciascuna lesione è assegnato un Lesion Score e a ciascun caso un Case Score, entrambi con valori 0–100 e rappresentanti la certezza che l’algoritmo identifichi la lesione o il caso come aventi caratteristiche di tumore.

Addestramento dell’algoritmo
L’algoritmo è stato addestrato su un database di immagini di tomosintesi Hologic con la distribuzione di valutazioni cliniche riportata nel documento originale. I casi sottoposti a biopsia sono stati categorizzati in base all’aspetto (calcificazioni, masse o distorsioni, o entrambe). L’algoritmo è stato addestrato per supportare immagini in tomosintesi ad alta risoluzione (70 micron, sezioni da 1 mm) e a risoluzione standard (~100 micron, sezioni da 1 mm).

Panoramica dello studio con lettori
Dopo il training descritto, Hologic ha condotto uno studio multi-lettore, multi-caso (MRMC) per verificare le prestazioni dei radiologi nell’interpretazione di set di immagini 3D+2D con uso concorrente dell’algoritmo Genius AI Detection.11 Le immagini 3D erano ad alta risoluzione (70 micron, spessore 1 mm — Hologic Clarity HD) e le 2D erano immagini sintetiche a 70 micron (Intelligent 2D). La valutazione MRMC ha coinvolto 17 lettori che hanno esaminato 390 casi in due sessioni separate da almeno quattro settimane, alternando i casi letti con e senza informazioni di Genius AI Detection. I casi comprendevano mammografie normali, casi richiamati ma poi esclusi dopo approfondimento diagnostico, e casi sottoposti a biopsia (benigni e maligni), indipendenti dai dati di training.

Risultati dello studio con lettori
Lo studio ha mostrato una differenza di +0,031 nella performance clinica misurata con l’area sotto la curva ROC (AUC).*12 L’AUC media dei 17 lettori senza Genius AI Detection era 0,794, aumentata a 0,825 con Genius AI Detection. In modo sorprendente, la prestazione autonoma di Genius AI Detection nell’analisi dello stesso dataset è risultata approssimativamente simile alla prestazione media del radiologo senza IA. L’uso della tecnologia Genius AI Detection ha comportato una differenza di +9% nella sensibilità osservata dei lettori per i casi di cancro. Lo studio non ha mostrato riduzione del tempo di lettura.*12 In sintesi, come dimostrato dal miglioramento dell’AUC, l’accuratezza clinica è risultata superiore con Genius AI Detection.

Genius AI Detection genera diverse uscite dall’algoritmo. Contrassegna le lesioni sospette sulle immagini, in modo analogo al CAD convenzionale ma con prestazioni migliorate, misurate come riduzione dei falsi positivi rispetto all’IA classica di Hologic.12,13 Rispetto al CAD 2D di Hologic, Genius AI Detection presenta circa 1/4 dei marcatori falsi positivi.12,13 L’algoritmo fornisce inoltre un’indicazione della complessità del caso e della probabilità che il caso contenga un tumore. Queste uscite possono essere utilizzate per adattare il flusso di lavoro secondo le esigenze e i protocolli del sito.

Marcatori di Genius AI Detection
I marcatori indicano aree di interesse. L’algoritmo ricerca tre principali tipi di caratteristiche comunemente associate al tumore: (a) marcatore Calc: indica cluster di calcificazioni; (b) marcatore Mass: indica lesioni dei tessuti molli, incluse masse, densità e distorsioni architetturali; (c) marcatore Malc: indica una lesione dei tessuti molli associata a un cluster di calcificazioni. I punteggi Lesion Score sono visualizzati accanto ai marcatori.

Lesion Score
Le reti DL assegnano a ciascuna lesione rilevata un Lesion Score, che rappresenta la confidenza che la lesione sospetta sia maligna. I punteggi sono normalizzati mediante una tabella di riferimento basata su una serie di lesioni maligne confermate. Un punteggio dell’80% indica che la lesione è più sospetta dell’80% delle lesioni maligne rappresentative nel dataset e pertanto altamente sospetta.

Case Score
Il Case Score viene assegnato utilizzando le informazioni dalle singole lesioni rilevate nelle viste standard e indica la confidenza che un caso presenti una lesione tumorale. Analogamente al Lesion Score, il valore deriva da una tabella basata su casi maligni consecutivi. Un Case Score dell’80% colloca l’esame nell’80° percentile rispetto ad altri esami con lesione maligna confermata.

Indicatore di priorità di lettura
Derivato dal Case Score, ha lo scopo di contrassegnare una percentuale di casi come più preoccupanti. Può essere visualizzato sulla workstation di acquisizione Dimensions al completamento dell’esame per identificare i casi che potrebbero beneficiare di una lettura immediata, favorendo eventuali approfondimenti nella stessa visita e riducendo i richiami. La sensibilità è configurabile.

Indice di complessità del caso
Classifica i casi come ‘Nessun reperto’, ‘Reperto singolo’ o ‘Reperti multipli’ in base al numero di ROI identificati, consentendo di generare worklist personalizzate per lettori diversi.

Indicatore del tempo di lettura
Le informazioni sottostanti su tutte le ROI consentono di prevedere se il caso può essere letto rapidamente o richiederà più tempo. Il modello classifica in ‘Alto’, ‘Medio’ o ‘Basso’, utile per distribuire i casi e bilanciare il carico di lavoro tra radiologi.

Genius AI Detection è compatibile con tomosintesi a risoluzione standard e ad alta risoluzione (Clarity HD) e con le 3DQuorum SmartSlices. L’output è incapsulato in un oggetto DICOM CAD Structured Report (SR) leggibile dalle workstation di refertazione, includendo dettagli su marcatori, coordinate, outline, Lesion Score, Case Score, Indicatore di priorità di lettura, Indice di complessità del caso e Indicatore del tempo di lettura.

Il supporto alla visualizzazione dei marcatori e dei dati associati dipende dall’implementazione del singolo prodotto workstation. In genere sono disponibili strumenti per navigare rapidamente alle sezioni di tomosintesi dove sono segnate possibili lesioni; selezionando un marcatore sull’immagine 2D sintetica, il software visualizza automaticamente la sezione corrispondente nello stack di tomosintesi.

È stata sviluppata una soluzione software basata su un algoritmo di deep learning, Genius AI Detection, addestrata su immagini di tomosintesi Hologic e testata in uno studio MRMC in modalità di lettura concorrente. I radiologi hanno dimostrato una differenza di +9% nella sensibilità osservata per i casi di cancro.*12 Gli output (Indicatore di priorità di lettura, Indice di complessità del caso e Indicatore del tempo di lettura) offrono opportunità per adattare il flusso di lavoro e il triage dei pazienti in modo più efficiente, ad esempio dando priorità ai casi più preoccupanti per una lettura immediata e riducendo l’ansia del paziente legata ai richiami.

1. Friedewald SM, Rafferty EA, Rose SL, et al. Breast cancer screening using tomosynthesis in combination with digital mammography. JAMA, 2014 Jun 25;311(24):2499-507.
2. McDonald ES, Oustimov A, Weinstein SP, et al. Effectiveness of digital breast tomosynthesis compared with digital mammography: outcomes analysis from 3 years of breast cancer screening. JAMA Oncol 2016;2(6):737–743.
3. Sprague BL, Coley RY, Kerlikowske K, et al. Assessment of Radiologist Performance in Breast Cancer Screening Using Digital Breast Tomosynthesis vs Digital Mammography. JAMA Netw Open. 2020 Mar 2;3(3):e201759.
4. Conant EF, Zuckerman SP, McDonald ES, et al. Five Consecutive Years of Screening with Digital Breast Tomosynthesis: Outcomes by Screening Year and Round. Radiology. 2020 Mar 10:191751.
5. He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition. CVPR 2016.
6. Wu Y, Giger ML, Doi K, Vyborny CJ, Schmidt RA, Metz CE. Artificial neural networks in mammography: decision making in diagnosis of breast cancer. Radiology. 1993;187(1):81-7.
7. Krizhevsky A, Sutskever I, Hinton G. ImageNet Classification with Deep Convolutional Neural Networks. NIPS 2012.
8. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. MICCAI 2015.
9. Szegedy C, Vanhoucke V, Ioffe S, Shlens J, Wojna Z. Rethinking the Inception Architecture for Computer Vision. CVPR 2016.
10. MAN-07021 Rev002: Genius AI Detection User Guide.
11. Hologic Data on File: Clinical Study Report CSR-00130.
12. Hologic Data on File: DHM-10095.
13. Nota: Analisi che non controllano l’errore di tipo I e non generalizzabili oltre questo specifico studio.

Hologic BV, Da Vincilaan 5, 1935 Zaventem — Tel: +32.2.711.4680 — euinfo@hologic.com — www.hologic.com. WP-00178-EUR-EN Rev. 001 (01/22). Hologic Inc. ©2021 Tutti i diritti riservati. Marchi e loghi come Hologic, 3D, 3D Mammography, 3Dimensions, 3DQuorum, Dimensions, Genius AI, Hologic Clarity HD, ImageChecker, Intelligent 2D, Quantra, Selenia e The Science of Sure sono marchi e/o marchi registrati di Hologic, Inc. e/o delle sue controllate. Le informazioni sono destinate a professionisti sanitari e non costituiscono sollecitazione o promozione di prodotto ove tali attività siano vietate.