Deep Learning Tingkatkan Kualitas Penilaian Risiko Kanker Payudara

Ilustrasi kanker payudara Foto oleh Anna Tarazevich dari Pexels

Liputan6.com, Jakarta - Sekelompok tim peneliti dari University of Manchester, Inggris, yang dipimpin Profesor Susan M. Astley, telah mengembangkan sebuah model berbasis deep learning untuk memperkirakan kepadatan payudara dengan presisi tinggi.

Model ini dapat memperkirakan risiko kanker payudara secara otomatis dengan akurasi yang sama dengan ahli radiologi berpengalaman.

Kanker payudara adalah kanker yang paling umum menyerang wanita di seluruh dunia, dan menurut American Cancer Society, sekitar 1 dari 8 wanita di Amerika Serikat akan terkena kanker payudara selama hidupnya.

Meskipun tidak mungkin untuk mencegah kanker payudara sepenuhnya, organisasi medis merekomendasikan skrining rutin untuk mendeteksi dan mengobati kasus pada tahap awal.

Kepadatan payudara, proporsi jaringan fibro-kelenjar di dalam payudara, digunakan untuk menilai risiko terkena kanker payudara.

Walau berbagai metode tersedia untuk memperkirakan kepadatan payudara, penelitian menunjukkan bahwa penilaian subjektif yang dilakukan oleh ahli radiologi berdasarkan skala analog visual lebih akurat daripada metode lainnya.

Karena evaluasi ahli terhadap kepadatan payudara memainkan peran penting dalam penilaian risiko kanker payudara, pengembangan kerangka kerja analisis citra yang dapat secara otomatis memperkirakan risiko ini dengan presisi tinggi sangat diharapkan. Model deep learning untuk analisis citra medis sulit untuk dilatih karena terbatasnya kumpulan data.

Untuk mengatasi tantangan ini, para peneliti menggunakan dua model deep learning independen yang awalnya dilatih pada ImageNet, dataset pencitraan non-medis dengan lebih dari satu juta gambar, alih-alih membangun model dari awal.

Omega 3 ternyata punya manfaat yang banyak untuk tubuh. Salah satunya dapat kurangi risiko kanker payudara.

2 dari 4 halaman

Transfer learning

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.

3 dari 4 halaman

Akurat

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.

4 dari 4 halaman