Avaliação da densidade mamária em mamografias utilizando inteligência artificial
Carregando...
Data
2024-11-27
Autores
Orientador
Silveira, Liciana Vaz de Arruda 
Coorientador
Corrente, José Eduardo
Pessoa, Eduardo Carvalho
Pós-graduação
Biometria - IBB
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso restrito
Resumo
Resumo (inglês)
Breast cancer is the most prevalent cancer among women globally, with early detection via mammography crucial for improving outcomes. However, dense breast tissue, classified as BI-RADS C or D, increases the risk of cancer and complicates early detection. Additionally, socioeconomic factors can influence breast density, and subjective assessments by specialists may result in variability in evaluations. Emerging research also explores biological factors like blood type in relation to breast density. This study aims to investigate the associations between breast density, socioeconomic and biological factors, and to develop an objective, computer vision-based approach for assessing breast density and detecting abnormalities in mammograms. The analysis involved 7,581 records from patients aged 18 and older, examining mammographic BI-RADS categories and sociodemographic factors. Additionally, a Custom-Designed Convolutional Neural Network (CD-CNN) integrated with an Extreme Learning Machine (ELM) was trained using a dataset of 10,371 mammograms to predict breast density and detect anomalies. Socioeconomic factors such as education, marital status, and occupation were significantly associated with breast density. The deep learning model demonstrated high accuracy, with a testing accuracy, specificity and sensitivity recorded at 95.4%, 98.0% and 92.5%, respectively. The agreement between the density classification system and the specialists’ consensus showed a strong concordance, with aWeighted Kappa statistic of 0.90 (95% CI: 0.82–0.98). In the mini-MIAS, an external and independent dataset, the model achieved accuracy, specificity, and sensitivity of 73.9%, 87.1%, and 74.7%, respectively. The model also demonstrated strong results in identifying specific abnormalities like architectural distortion and Skin/Areolar Thickening or Retraction. Both socioeconomic and biological factors influence breast density, which in turn affects breast cancer risk. The integration of AI-based methods for mammogram analysis improves the objectivity and accuracy of breast density assessment, potentially enhancing early cancer detection efforts.
Resumo (português)
O câncer de mama é o mais comum entre as mulheres em todo o mundo, e a detecção precoce por meio de mamografia é fundamental para um prognóstico melhor. No entanto, a presença de tecido mamário denso, classificado como BI-RADS C ou D, aumenta o risco de câncer e dificulta a detecção precoce. Além disso, fatores socioeconômicos podem influenciar a densidade mamária, e a avaliação subjetiva por especialistas pode resultar em variabilidade nas análises. Pesquisas recentes também investigam fatores biológicos, como o tipo sanguíneo, em relação à densidade mamária. Este estudo visa investigar as
associações entre a densidade mamária, fatores socioeconômicos e biológicos, e desenvolver uma abordagem objetiva baseada em visão computacional para avaliar a densidade mamária e detectar anomalias nas mamografias. A análise foi realizada com base em 7.581 registros de pacientes com 18 anos ou mais, considerando categorias BI-RADS e fatores sociodemográficos. Além disso, uma Rede Neural Convolucional Personalizada (CD-CNN), integrada com uma Máquina de Aprendizagem Extrema (ELM), foi treinada utilizando um conjunto de dados de 10.371 mamografias para prever a densidade mamária e identificar anomalias. Fatores socioeconômicos, como educação, estado civil e ocupação, mostraram-se significativamente associados à densidade mamária. O modelo de aprendizado profundo apresentou excelente desempenho, com acurácia de 95,4%, especificidade de 98 ,0% e sensibilidade de 92,5%. O sistema de classificação de densidade Ponderado de 0,90 (IC 95%: 0,82–0,98). No mini-MIAS, um conjunto de dados externo e independente, o modelo alcançou precisão, especificidade e sensibilidade de 73,9%, 87,1% e 74,7%, respectivamente. O modelo também demonstrou resultados robustos na
identificação de anomalias específicas, como distorção arquitetural e espessamento ou retração da pele/areola. Tanto fatores socioeconômicos quanto biológicos influenciam a densidade mamária, impactando o risco de câncer de mama. A integração de métodos baseados em inteligência artificial na análise de mamografias melhora a objetividade e a precisão da avaliação da densidade mamária, potencialmente aprimorando a detecção precoce do câncer
Descrição
Idioma
Português
Como citar
ROCHA, Naila Camila da. Avaliação da densidade mamária em mamografias utilizando inteligência artificial. 2024. Tese (Doutorado em Biometria) - Instituto de Biociências, Universidade Estadual Paulista (UNESP), Botucatu, 2024.