Dikembangkan oleh para peneliti dari University of Texas Southwestern Medical Center, alat AI menganalisis MRI deret waktu dan data klinis untuk mengidentifikasi metastasis, memberikan dukungan noninvasif yang penting bagi dokter dalam perencanaan perawatan. Kemajuan ini dapat mengarah pada penilaian kanker yang lebih tepat waktu dan akurat, membantu banyak pasien menghindari operasi yang tidak perlu dan meningkatkan hasil.
Kanker payudara metastasis bertanggung jawab atas sebagian besar kematian terkait kanker payudara. Sekitar satu dari tiga wanita di AS yang didiagnosis dengan kanker payudara stadium awal mengembangkan kanker metastatik. Namun, deteksi dini dan pengobatan dapat memperlambat perkembangan penyakit, membantu dokter dan pasien mengelola gejala, dan memaksimalkan efektivitas pengobatan.
Dokter sering mengandalkan biopsi kelenjar getah bening sentinel (SLNB) ketika memeriksa apakah kanker telah menyebar ke kelenjar getah bening. Prosedur ini melibatkan injeksi pewarna dan larutan radioaktif di dekat lokasi kanker untuk mengidentifikasi nodus sentinel, yang mengalir ke area tumor terlebih dahulu.
Node ini kemudian diangkat melalui pembedahan dan dibiopsi. Jika sel kanker ditemukan di kelenjar sentinel, itu menunjukkan bahwa kanker menyebar ke sistem limfatik dan dapat menyebar lebih jauh. Informasi ini membantu dokter menentukan pengobatan yang paling tepat untuk pasien.
Meskipun SLNB adalah metode yang terbukti, ini invasif dan memiliki risiko yang terkait dengan anestesi, paparan radiasi, pembengkakan, nyeri, dan gerakan terbatas di dekat sayatan.
Untuk menciptakan alternatif non-invasif dan andal untuk SLNB, para peneliti mengembangkan jaringan saraf konvolusional empat dimensi khusus (4D CNN). Mereka melatih model menggunakan MRI yang ditingkatkan kontras dinamis (DCE-MRI) bersama dengan kumpulan data klinis dari 350 wanita yang baru-baru ini didiagnosis menderita kanker payudara yang menyebar ke kelenjar getah bening.
Para peneliti menggunakan Nucleus Compute Cluster, bagian dari infrastruktur komputasi berkinerja tinggi University of Texas Southwestern Medical Center, untuk membangun dan melatih model pembelajaran mendalam 4D yang kompleks yang menggunakan GPU NVIDIA A100 Tensor Core dan V100 Tensor Core.
"Model pembelajaran mendalam yang kami bangun adalah model 4D yang kompleks dan GPU sangat penting bagi kami untuk mencapai throughput pelatihan yang tinggi serta untuk pipa prapemrosesan data kami untuk peningkatan gambar dan pengurangan kebisingan," kata Insinyur HPC Senior NVIDIA Paniz Karbasi, rekan penulis studi dan mantan Ilmuwan Komputasi di University of Texas Southwestern Medical Center.
Model AI ini memproses data dalam empat dimensi, memeriksa data dari pemindaian MRI 3D sambil memperhitungkan perubahan dari waktu ke waktu. Model ini mempelajari fitur tumor dan kelenjar getah bening terdekat dengan menganalisis beberapa gambar dari waktu ke waktu dan mengintegrasikan data klinis seperti usia, tingkat tumor, dan penanda kanker payudara. Dengan demikian, ia dapat secara akurat mengidentifikasi pola yang terkait dengan kelenjar getah bening bebas kanker atau yang terkena kanker.
"Aspek terpenting dari penelitian kami adalah bahwa untuk data pencitraan kami hanya fokus pada data yang terkait dengan tumor primer, tanpa pencitraan aksila tambahan," kata penulis utama studi Dogan Polat, seorang Residen Radiologi Intervensi di Mount Sinai Health Systems. Dr. Polat memimpin penelitian saat berada di University of Texas Southwestern Medical Center. "Kami bertujuan untuk mengurangi kebutuhan pencitraan tambahan dan mengurangi jumlah prosedur invasif untuk pasien," kata Dr. Polat.
Ini mengidentifikasi metastasis kelenjar getah bening dengan akurasi 89%, mengungguli ahli radiologi dan model berbasis pencitraan lainnya. Ini juga memiliki potensi untuk mencegah pasien kanker payudara menjalani biopsi nodu sentinel yang tidak perlu, dan diseksi kelenjar getah bening aksila (ALND), mengurangi risiko, komplikasi, dan sumber daya yang terkait dengan prosedur ini.
Menurut Polat, langkah selanjutnya bagi para peneliti termasuk menyebarkan model untuk mengumpulkan data dunia nyata, yang akan membantu memvalidasi efektivitasnya dan mengidentifikasi area untuk penyempurnaan lebih lanjut dan aplikasi yang lebih luas.
Cek Berita dan Artikel yang lain di
Google News
