Thesis (Ph.D)-Cairo University, 2023.

Bibliography: pages 134-151.

Background: Contrast-enhanced mammography (CEM) is used for characterization of breast lesions with increased diagnostic accuracy compared to digital mammography (DM). Biopsy is usually done for final evaluation which might be stressful for the patient and expensive for healthcare systems. Artificial intelligence approaches are emerging with accuracies equal to that of an average radiologist. However, most studies trained deep learning models on DM images as no datasets exist for CEM images. This is the first dataset to incorporate data selection, segmentation annotation, medical reports, and pathological diagnosis for cases.
Purpose: To develop and test a deep learning-based model that classifies CEM images and produces corresponding highlights of lesions detected aiming to help radiologists improve the specificity of breast cancer diagnosis by CEM without affecting sensitivity.
Patients and Methods: A retrospective dataset was utilized to develop a deep learning–based CEM model, using a cohort of 326 female participants from January 2019 to February 2021. Fully annotated 2006 images were used, including a subset of 662 images with pathologically proven breast cancer. We finetuned a pretrained model on ImageNet – EfficientNetB7 and developed a multiview contrast mammography model (MVCM) for classification of CEM low energy and subtracted images. An external test set of 288 images of 37 females not included in the training was used. Correlation with histopathological results and follow up was considered the standard reference against which the diagnostic performance of our model was compared.
Moreover, we propose and evaluate a DL-based technique to automatically segment abnormal findings in images without intervention from radiologists, as segmentation annotation is a time-consuming task.
Results: Assessment was done on an external test set of 37 females (mean age, 51.31 years ±11.07 [SD]) with an AUC-ROC for AI performance 0.936; (95% CI: 0.898, 0.973; p< 0.001) and the best cut off value for prediction of malignancy using AI score=0.28. Findings were then correlated with histopathological results and follow up which revealed a sensitivity 54 of 72 (75%), specificity 208 of 216 (96.3%), total accuracy of 90.1%, positive predictive value (PPV) 54 of 62 (87.1%) and negative predictive value (NPV) 208 of 226 (92%), p-value (< 0.001). Diagnostic indices of radiologists were sensitivity 64 of 72 (88.9%), specificity 200 of 216 (92.6%), total accuracy 91.7%, PPV 80% and NPV 96.2%, p-value (<0.001).
Conclusion: A deep learning multiview CEM model was developed and evaluated in a cohort of female participants and showed promising results in detecting breast cancer. And so, we recommend its use as an adjunct to CEM in detection of breast cancer, reducing the need for unnecessary benign biopsies, triaging non-malignant cases, and decreasing the workload for radiologists.

التصوير الشعاعي للثدي لا يزال المعيار الذهبي للكشف المبكر عن سرطان الثدي. ومع ذلك، توجد بعض العقبات في المرضى اللاتى يتميزن بأنسجة ثدى كثيفة حيث تنخفض حساسية إكتشاف المرض من 85 ٪ إلى 68 ٪.
و حديثا ، تم إدخال تقنيات تصوير جديدة مثل التصوير الشعاعي للثدي بالصبغة و الذى يعتمد على اكتساب الطاقة المزدوجة بعد حقن الصبغة لتصوير تشريحي و وظيفي لأنسجة الثدي مما يزيد من اكتشاف الأورام حتى إذا كانت أنسجة الثدي كثيفة ، و ذلك يؤدى إلى زيادة دقة التشخيص مقارنة بالتصوير الشعاعي للثدي بدون صبغة. بالإضافة إلى ذلك، تتماثل رؤية الأورام بالتصوير الشعاعي للثدي بالصبغة مع تلك التي تتحقق من التصوير بالرنين المغناطيسي بالصبغة ولكن بتكلفة أقل بكثير. ومع ذلك ، ففي كثير من الحالات لا يمكن الوصول إلى درجة عالية فى دقة التمييز بين الأورام الحميدة والخبيثة.
و من ناحية أخرى فإن التعلم الآلي هوعبارة عن جزء من "الذكاء الاصطناعي" المعتمد على مجموعة بيانات حيث يتم اتخاذ القرار مع حد أدنى من تدخل الإنسان.
بينما يعرف التعلم العميق على أنه جزء من التعلم الآلي و قد أظهر بالفعل أداءً فائقًا عن البشر في الوظائف التى يستخدم فيها الكمبيوتر و بالذات فى مجالات الرؤية البصرية، و لقد بدأت شركات التكنولوجيا العملاقة مثل Google و Facebook و Microsoft فى البحث في تطبيقات التعلم العميق في التصوير الطبي. و ذلك فمن المتوقع أن يؤثر هذا بشكل كبير على وظائف طبيب الأشعة بالرغم من التوقعات أن هذه الثورة التكنولوجية سوف تساعد في تقليل العبء على طبيب الأشعة و ليس الإستغناء عنه.
كذلك فإن أنظمة الذكاء الاصطناعي تحاكي الإدراك التحليلي البشري مما يسمح بأداء أفضل من الأداء الذي تم الحصول عليه باستخدام أنظمة التشخيص أو الاكتشاف بمساعدة الكمبيوتر القديمة(CAD) و ذلك لقدرة الذكاء الاصطناعى على اكتشاف خصائص صور الأورام المرئية أو غير المرئية للعين البشرية. وتقوم هذه الأنظمة بالتعلم استنادًا إلى أمثلة ، بدلاً من استخدام خصائص هندسية.
و أثناء تطبيق التعلم الالى للجهاز فإن عملية نقل التعلم تمثل المعرفة المكتسبة أثناء حل مشكلة واحدة ثم تطبيقها على مشكلة أخرى مرتبطة بها . و لتوضيح المعنى فعلى سبيل المثال ، يمكن تطبيق المعرفة المكتسبة أثناء تعلم كيفية التعرف على السيارات عند محاولة التعرف على الشاحنات.

Issues also as CD.

Text in English and abstract in Arabic & English.