008240612s2023      us  |||||||||||||||c||eng  d
■001000016931682
■00520240214100103
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379707392
■035    ▼a(MiAaPQ)AAI30418565
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a616
■1001  ▼aBaughan,  Natalie  Marita.▼0(orcid)0000-0002-3219-9291
■24510▼aArtificial  Intelligence  for  Breast  Cancer  Risk  Assessment  in  Mammography  and  Methods  for  Dataset  Balancing  and  Distribution  Sampling▼h[electronic  resource]
■260    ▼a[S.l.]:▼bThe  University  of  Chicago.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(144  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Giger,  Maryellen.
■5021  ▼aThesis  (Ph.D.)--The  University  of  Chicago,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aArtificial  intelligence  (AI)  has  become  a  driving  force  in  medical  imaging,  from  applications  in  breast  cancer  screening  to  COVID-19.  Within  the  field  of  breast  cancer  screening,  AI  systems  using  human-engineered  radiomic  features  and  deep  learning  extracted  features  have  shown  promising  performance  in  breast  imaging  diagnosis,  detection,  and  risk  assessment.  However,  AI  has  not  yet  been  applied  to  the  investigation  of  a  breast  cancer  field  effect,  in  which  histologically  normal  areas  of  the  parenchyma  show  molecular  similarity  to  the  tumor.  Identification  of  a  cancer  field  effect  in  mammography  has  the  potential  to  provide  a  novel  approach  to  stratification  of  breast  cancer  risk  in  the  general  population.  Furthermore,  development  of  a  temporal  risk  assessment  model  would  expand  upon  the  potential  impact  of  utilizing  AI-based  tools  to  predict  risk  of  future  cancer  from  the  breast  parenchyma.As  a  result  of  the  explosion  of  machine  intelligence  algorithm  development  for  understanding  and  characterizing  a  wide  variety  of  diseases,  including  breast  cancer  and  COVID-19,  validation  of  algorithm  performance  and  generalizability  have  become  increasingly  important.  To  ensure  that  AI  systems  are  robust  and  generalizable,  the  data  with  which  they  are  evaluated  should  be  population-representative  and  independent  of  that  used  for  training.  The  development  of  novel  algorithmic  methods  for  the  creation  of  a  large,  common  sequestered  dataset  and  task-based  sampling  would  enable  robust  evaluations  of  AI  algorithms  on  representative  datasets.  A  sequestered  database  for  algorithm  testing  could  also  allow  for  expedited  clinical  implementation  of  algorithms  developed  for  medical  decision-making  if  accepted  by  regulating  bodies.Aim  1:  Mammograms  and  mastectomy  specimen  radiographs  of  women  with  a  malignant  tumor  were  investigated  using  radiomic  and  deep  learning  based  features  to  provide  initial  characterization  of  a  breast  cancer  field  effect  in  imaging.  Features  were  extracted  from  four regions:  within  the  tumor,  near  to  the  tumor,  far  from  the  tumor,  and  in  the  contralateral  breast.  Results  found  statistically  significant  correlations  of  feature  values  with  the  region's  proximity  to  the  tumor  in  intensity-based  features  and  select  structure-based  features.Aim  2:  To  improve  upon  conventional  breast  cancer  risk  assessment  models,  a  method  that  analyzes  prior  mammography  data  to  predict  future  occurrence  of  breast  cancer  was  implemented.  The  long-short-term  memory  network  (LSTM),  a  network  that  can  incorporate  AI-based  features  into  a  temporal  model,  was  utilized  and  compared  to  classification  using  only  a  single  time  point.  The  resulting  LSTM  network  was  able  to  predict  incidence  of  cancer  in  the  subsequent  year  with  performance  significantly  better  than  guessing.Aim  3:  Data  used  in  the  development  and  evaluation  of  AI  models  play  a  significant  role  in  the  robustness  and  generalizability  of  the  model  performance.  To  enable  independent  assessment  of  algorithms  using  a  multi-institutional  data  commons,  a  first-of-its-kind  sequestered  commons  was  initiated  using  a  developed  method  of  multi-dimensional  stratified  sampling.  To  draw  an  independent  sample  for  performance  evaluation  from  the  commons,  a  novel  method  of  task-based  distribution  sampling  was  also  developed.  This  aim  was  completed  in  collaboration  with  the  Medical  Imaging  and  Data  Resource  Center  (MIDRC),  a  multi-institutional  effort  to  accelerate  machine  intelligence  research  for  COVID-19.
■590    ▼aSchool  code:  0330.
■650  4▼aMedical  imaging.
■650  4▼aBiomedical  engineering.
■650  4▼aBiostatistics.
■653    ▼aComputer  aided  diagnosis
■653    ▼aCOVID-19
■653    ▼aDeep  learning
■653    ▼aImage  repository
■653    ▼aMachine  learning
■653    ▼aMammography
■653    ▼aLong-short-term  memory  network
■690    ▼a0574
■690    ▼a0800
■690    ▼a0541
■690    ▼a0308
■71020▼aThe  University  of  Chicago▼bMedical  Physics.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0330
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931682▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024