Convolutional Neural Network i mammografi
Elise Kraft Holmen, Ingrid Øfsti Brandsæter, Sunniva Flø · NORA - Norwegian Open Research Archives · 2019
Hensikt: I Norge blir kvinner mellom 50 og 69 år invitert til mammografiscreening annethvert år. En av ulempene ved screening er falskt positive resultater. I dag er det to radiologer som tyder hvert mammogram og i fremtiden kan kanskje den ene radiologen erstattes med nevrale nett. Innenfor bildediagnostikken er det Convolutional Neural Network (CNN) som er best egnet til å tyde mammogrammer. I vår oppgave har vi sammenlignet elleve studier med ulike CNN-modeller. Vi har tatt utgangspunkt i Area Under the Curve (AUC)-verdien, da det gir en verdi på hvor godt modellen klassifiserer lesjoner. Vi har også diskutert hva CNN-modeller kan bidra med i mammografi. Metode: Vi har utført en litteraturstudie for å svare på problemstillingen. PubMed, Scopus og Oria ble brukt til å finne fagfellevurderte artikler. Inklusjons- og eksklusjonskriterier har resultert i de elleve mest representative artiklene for vår problemstilling. Vi leste og analyserte dataene og trakk ut elementer som kan ha påvirket AUC-verdiene til CNN-modellene. Resultat: AUC-verdiene varierte mellom 0.77 og 0.99. Det ser ut at det som har mest påvirkning på AUC-verdien er antall bilder og antall lag. Antall bilder som var inkludert i studiene varierte mellom 301 og 28 294, og vi ser at de med flest bilder har høyest AUC-verdi. Det er også forskjell på hvor mange lag de ulike modellene har. De med flest lag har generelt fått høyere AUC-verdier. Én studie har ikke brukt transfer learning og en annen har ikke validert. Disse studiene har relativt lav AUC-verdi. Konklusjon: CNN-modellene presterer bedre enn radiologene. Vi tror at CNN-modeller kan erstatte den ene radiologen i fremtiden og bidra med å redusere antall tilbakekallinger. Det kan føre til reduserte kostnader, mindre arbeidsmengde for radiologer, og mindre psykisk belastning for pasienter.