Рак молочной железы является самым распространенным в мире онкологическим заболеванием среди женщин.
По данным ВОЗ, в мире ежегодно регистрируют от 800 тыс. до 1 млн новых случаев заболевания раком молочной железы. По числу смертей от онкологии у женщин эта разновидность рака занимает второе место. При этом рак молочной железы — это многофакторное заболевание, успешное лечение которого зависит от точности его регулярной медицинской диагностики. Однако в случае рака органов в грудной полости даже опытному врачу бывает сложно выявить опухоль на рентгеновском снимке, особенно на начальной стадии.
Новая нейросетевая модель в дальнейшем станет основой для цифровой системы, которая облегчит диагностирование рака молочной железы и позволит эффективнее выстроить процесс лечения.
Над проектом работала международная научная группа из СПбГЭТУ «ЛЭТИ», Крымского федерального университета и Института инженерии и технологий Тапара (Индия). Обучение нейросети проводилось на основе базы данных рентгеновских снимков, которая находится в свободном доступе для ученых. База данных включает в себя обезличенную информацию 82 пациенток – это более 9 тыс. рентгеновских снимков молочной железы.
Для извлечения сложных характеристик из снимков раковых клеток ученые применили специальный математический аппарат. Кроме того, классификация изображений и интерпретации результатов проводилась с помощью нейросетевых моделей
«Мы разработали нейросетевую модель и обучили ее выявлять раковые клетки на снимках молочной железы. Кроме того, создана объяснительная модель для оперативной интерпретации результатов диагностики. Предлагаемая система на используемой нами базе рентгеновских снимков показала 100% точность распознавания злокачественных и доброкачественных раковых клеток» - поясняет доцент кафедры автоматики и процессов управления СПбГЭТУ «ЛЭТИ» Дмитрий Каплун.
«Наша разработка в будущем может стать надежным цифровым помощником для врачей, который облегчит процесс диагностирования рака груди и повысит его точность»,- рассказывает Дмитрий Каплун.
В дальнейшем ученые займутся тестированием модели на других базах данных рентгеновских снимков и увеличением количества классифицируемых состояний.