Hoewel technologie steeds meer kan, komt de diagnose van borstkanker vaak laat. Dat betekent dat er veel agressievere behandelingen nodig zijn en de uitkomst onzeker is. Een team van het Computer Science and Artificial Intelligence Laboratory (CSAIL) van MIT heeft mogelijk een oplossing gevonden.
Het team heeft samen met het Massachusetts General Hospital (MGH) een nieuw deep learning-model ontwikkeld dat van een mammogram kan voorspellen of een patiënt kans heeft om in de toekomst borstkanker te ontwikkelen. Het model werd getraind op mammogrammen en bekende uitkomsten van 60.000 patiënten die in MGH behandeld werden.
Aan de hand van die data leerde het model subtiele patronen in borstweefsel te herkennen die kanker kunnen voorspellen. Het model bleek uiteindelijk veel beter in het voorspellen van het risico dan bestaande aanpakken. 31 procent van alle patiënten werd terecht in de categorie met de hoogste risico gezet, tegenover slechts 18 procent van traditionele modellen.
Probleem met die oude modellen is dat die rekening houden met factoren als je leeftijd, een familiegeschiedenis van borst- en eierstokkanker en hormonale factoren. Maar veel van die factoren hebben slechts een zwakke correlatie met borstkanker. De kunstmatige intelligentie kijkt juist naar het weefsel zelf en pikt patronen op die het menselijk oog niet ziet.
Aangepaste screening
Professor Regina Barzilay van MIT hoopt dat systemen als deze artsen in staat kunnen stellen om screening en preventieprogramma’s op mensen af te stemmen. Momenteel is er namelijk geen consensus over wanneer je moet beginnen met screenen.
“In plaats van een one-size fits all aanpak te gebruiken, kunnen we screening aanpassen rondom het risico op de ontwikkeling van kanker bij een vrouw”, aldus Barzilay. “Een arts kan bijvoorbeeld extra MRI-screening aanbevelen voor vrouwen met een hoog risico.”
Ook kan het systeem volgens Barzilay in de toekomst artsen in staat stellen om te zien of patiënten een hoger risico hebben op andere gezondheidsproblemen, zoals hartziektes en andere soorten kanker. De onderzoekers willen hun modellen dan ook graag toepassen op andere ziekten, zeker die met minder effectieve risicomodellen.