Rychlý rozvoj strojového učení (zejména hlubokého) podporuje jeho využití ke zpřesnění screeningu nádorových onemocnění. Hodnocení screeningové mamografie je v Česku prováděno nezávisle dvěma radiology. Zapojení umělé inteligence do algoritmu druhého čtení mamografických snímků přispívá ke zvýšení specifity a senzitivity mamografického vyhodnocování. Neuronová síť dokáže zachytit vstupní obraz a na základě natrénovaných číselných parametrů (vah), kterým je přirazena konkrétní hodnota, definuje vlastnosti, které se ve snímcích hledají, což ovlivňuje konečný výsledek mamografického vyšetření. Cílem zavedení umělé inteligence je lepší záchyt maligních nádorů v časném stadiu a zároveň snížení falešně negativních nebo pozitivních mamografických nálezů s následnou redukcí doplňujících vyšetření, což povede k ekonomickému zefektivnění screeningového procesu.
The rapid development of machine learning, especially deep learning, is fueling radiology's interest in using the technology to improve the accuracy and efficiency of cancer screening . In the Czech Republic, full-scale, organized, and audited mammography screening has been ongoing since September 2002 . The screening interval is set at two years for the group of women over 45 years of age . Evaluation of screening mammography in the Czech Republic is performed inde- pendently by two radiologists . While comparing the level of specific- ity and sensitivity of one radiologist versus one radiologist and AI, previous studies concluded that the overall level was improved . Thus, the inclusion of artificial intelligence in the algorithm of the second reading of mammography images contributes to the increase in the specificity and sensitivity of mammography screening based on the research papers from England, the USA and South Korea . The architecture of the Convolutional Neural Network (ConvNet) is very similar to the conventional neural networks, reflecting the biological behaviour of the brain . The neural network processes an input image and based on trained numerical parameters (weights) with an assigned value, define the features to look for in the images, which enables to evaluate the mammography screening . The goal of introducing AI into practice is that, in combination with humans in the evaluation process, it may lead to a higher level of detection of early-stage malignant tumors and to a reduction in false negative or positive mammographic findings . Additionally, it is expected to reduce follow-up examinations after the screening mammography making the screening process more cost effective.
