View More View Less
  • 1 Eötvös Loránd Tudományegyetem, Budapest
  • 2 Semmelweis Egyetem, Általános Orvostudományi Kar, Budapest
  • 3 MTA–ELTE Statisztikus és Biológiai Fizika Kutatócsoport, Budapest, Pázmány P. sétány 1/A, 1117
  • 4 Semmelweis Egyetem, Általános Orvostudományi Kar, Budapest
Open access

Absztrakt:

Bevezetés és célkitűzés: A számítógépes ’mélytanulás’ (deep learning) az elmúlt két évtized számítástechnikai fejlődésének legjelentősebb ajándéka. A számítógépes mélytanulásban rejlő – egyelőre még beláthatatlan – lehetőségek megértése, befogadása és alkalmazása a medicina megkerülhetetlen feladata. Módszer: Ajándék és feladat, hiszen az exponenciálisan növekvő adatok (képalkotó vizsgálati, laboratóriumi, terápiaválasztási lehetőségek, terápia-kölcsönhatások stb.) „bitjeinek” tengerében minden vágyunk és deklarációnk ellenére mind kevésbé tudjuk a személyre és állapotra, a tumorra és környezetére szabott individuális ellátást megvalósítani. Eredmények: A jelen pillanatban felelős ellátóként – és nem kevésbé felelős finanszírozóként – azt élhetjük meg, hogy egyéni és közösségi szinten is szuboptimális folyamatokat tartunk fenn, aminek oka egyszerre az adatok bősége, ugyanakkor az ellátáshoz individuálisan fontos adatok hiánya. A számítógépes mélytanulás, a medicina lényegét adó ember–ember közti találkozás gyógyító erejét nem csorbítva – hanem inkább kiterjesztve –, ebben kínál fényt az alagútban. Következtetés: Belátva tehát saját adatintegrációs és ismereti korlátainkat, nekünk, orvosoknak és ellátásfinanszírozóknak – sajátos előítéleteinket és félelmeinket feladva – kell megtanulni a számítógépes mélytanulásban rejlő különleges lehetőségeket, melyek nemcsak a képalkotó diagnosztikában, hanem már napi realitásként a terápia területén is használhatók (immunterápia). A közlemény ehhez igyekszik kedvet csinálni. Orv Hetil. 2019; 160(4): 138–143.

If the inline PDF is not rendering correctly, you can download the PDF file here.

  • 1

    CDC – Cancer data and statistics. Available from: http://www.cdc.gov/cancer/dcpc/data/women.htm [accessed: July 1, 2018].

  • 2

    Screening Mammography – Inside Radiology. Available from: http://www.insideradiology.com.au/screening-mammography [accessed: July 1, 2018].

  • 3

    Forrai G, Ambrózay É, Bidlek M, et al. Use of imaging methods in the current screening, diagnostics and treatment of breast cancer – Professional guidelines. 3rd Breast Cancer Consensus Meeting. [A képalkotó vizsgálómódszerek alkalmazása az emlődaganatok korszerű szűrésében, diagnosztikájában és ellátásában – Szakmai útmutató a III. Emlőrák Konszenzus Konferencia alapján.] Magy Onkol. 2016; 60: 181–193. [Hungarian]

  • 4

    Tabar L, Yen MF, Vitak B, et al. Mammography service screening and mortality in breast cancer patients: 20-year follow-up before and after introduction of screening. Lancet 2003; 361: P1405–P1410.

  • 5

    Smith RA, Cokkinides V, Brooks D, et al. Cancer screening in the United States, 2011: a review of current American Cancer Society guidelines and issues in cancer screening. CA Cancer J Clin. 2011; 61: 8–30.

  • 6

    Broeders M, Moss S, Nyström L, et al. The impact of mammographic screening on breast cancer mortality in Europe: a review of observational studies. J Med Screen. 2012; 19 (1_Suppl): 14–25.

  • 7

    Breast Cancer Survival Rates & Statistics. Available from: http://www.cancer.org/cancer/breast-cancer/understanding-a-breast-cancer-diagnosis/breast-cancer-survival-rates.html [accessed: July 1, 2018].

  • 8

    Mayo Clinic. Breast Cancer. Available from: http://www.mayoclinic.org/diseases-conditions/breast-cancer/diagnosis-treatment/drc-20352475 [accessed: July 1, 2018].

  • 9

    The Royal College of Radiologists. Available from: http://www.rcr.ac.uk/sites/default/files/RCR_CRWorkforce_June2012.pdf [accessed: July 1, 2018].

  • 10

    Institute of Medicine (US) and National Research Council (US) Committee on New Approaches to Early Detection and Diagnosis of Breast Cancer; Joy JE, Penhoet EE, et al. (eds.) Saving women’s lives: strategies for improving breast cancer detection and diagnosis. National Academies Press, Washington DC, 2005.

  • 11

    Harvey D. Navigating through the data – CAD applications in liver, prostate, breast, and lung cancer. Radiol Today 2010; 11: 18.

  • 12

    Rao VM, Levin DC, Parker L. How widely is computer-aided detection used in screening and diagnostic mammography? J Am Coll Radiol. 2010; 7: 802–805.

  • 13

    Dheeba J, Albert Singh N, Tamil Selvi S. Computer-aided detection of breast cancer on mammograms: a swarm intelligence optimized wavelet neural network approach. J Biomed Inform. 2014; 49: 45–52.

  • 14

    EN ISO 13485:2016 Medical devices – Quality management systems – Requirements for regulatory purposes. Available from: https://standards.cen.eu/dyn/www/f?p=204:110:0::::FSP_PROJECT:37957&cs=1B04E3A6EA841FF02235DCA86690F765D [accessed: July 1, 2018].

  • 15

    Birdwell RL, Ikeda DM, O’Shaughnessy KF, et al. Mammographic characteristics of 115 missed cancers later detected with screening mammography and the potential utility of computer-aided detection. Radiology 2001; 219: 192–202.

  • 16

    Brem RF, Baum J, Lechner M, et al. Improvement in sensitivity of screening mammography with computer-aided detection: a multiinstitutional trial. Am J Roentgenol. 2003; 181: 687–693.

  • 17

    Gilbert FJ, Astley SM, Gillan MG, et al. Single reading with computer-aided detection for screening mammography. N Engl J Med. 2008; 359: 1675–1684.

  • 18

    Lehman CD, Wellman RD, Buist DS, et al. Diagnostic accuracy of digital screening mammography with and without computer-aided detection. JAMA Intern Med. 2015; 175: 1828–1837.

  • 19

    Fazal MI, Patel ME, Tye J, et al. The past, present and future role of artificial intelligence in imaging. Eur J Radiol. 2018; 105: 246–250.

  • 20

    Castellino RA. Computer aided detection (CAD): an overview. Cancer Imaging 2005; 5: 17–19.

  • 21

    He K, Zhang X, Ren S, et al. Delving deep into rectifiers: surpassing human-level performance on ImageNet classification. In: Proceedings of the 2015 IEEE International Conference on Computer Vision, 2015; pp. 1026–1034.

  • 22

    Ribli D, Horváth A, Unger Zs, et al. Detecting and classifying lesions in mammograms with deep learning. Sci Rep. 2018; 8: 4165.