Explainable Artificial Intelligence Model for Mammogram Breast Cancer Classifiers

Abstract

Câncer de mama está associada à maior taxa de incidência de câncer entre as mulheres em todo o mundo. Assim como em outros tipos de câncer, diagnósticos mais precoces levam a tratamentos potencialmente menos invasivos e a maiores taxas de sobrevida. Uma ferramenta que auxilie a análise de mamografias para descobrir lesões mamárias e sua classificação constitui portanto um importante instrumento para o tratamento eficaz.Com desenvolvimento da tecnologia, a Inteligˆencia Artificial passou a trazer impactos cada vez maiores e mais positivos em diversas áreas, e se destaca na Engenharia biomédica por prover ferramentas de auxílio a diagnóstico cada vez mais eficazes. Em particular Machine Learning (ML) e Deep Learning a partir das duas primeiras décadas do século XX, passaram a prover cada vez mais soluções em problemas considerados complexos n s áreas de visão computacional e processamento de sinais e imagens, como os problemas de classificação de imagens e detecção de objetos.Neste contexto, a análise mamográfica, para fins de diagnósticos e classificação de câncer,pode ser descrito como um problema de classificação de imagens, e se beneficia de algumas abordagens de ML descritas na literatura. De fato, vários trabalhos já propõem a detecção de câncer e a classificação do tipo BIRADS de forma automatizada, a partir de imagens de ultrassom ou de tomografia por raios-X da mama. No entanto, a maioria das abordagens em ML para análise mamográfica encontradas focam em técnicas tidas como de caixa preta,em que não há justificativa direta, em formato compreensível para um analista humano,dos resultados de classificação ou de decisões de encaminhamento. Esta limitação reduz a aplicabilidade dos modelos, já que a ausˆencia de explicabilidade tem impactos legais em procedimentos de autorização de tratamentos, por exemplo, e reduz o potencial de novos avanços na área de oncologia e radiologia mamária, tendo em vista que os conhecimentos adquiridos se tornam menos propagáveis e generalizáveis.Por outro lado, a maior parte das soluções encontradas na literatura científica para classificação de lesões mamárias foca em abordagens de ML com redes rasas. Foram encontradas poucas abordagens utilizando algoritmos de aprendizagem profunda, que demonstram desempenho mais alto em outras aplicações de classificação de imagens, desde que o treinamento explore uma base de imagens suficientemente representativa. Além disso, são soluções consideradas caixa preta, o que significa que é fornecida uma resposta a partir de uma imagem de entrada, e não é possível determinar diretamente quais características das imagens analisadas que mais influenciaram diretamente a decisão final fornecida pela rede, ainda que esse resultado já seja conhecido. Existem modelos de ML que provˆeem explicabilidade paraas decisões, o que significa que são explicitadas as principais características das imagens ou sinais de entrada que levaram `a decisão final do sistema. Essa característica é relevante no contexto de aplicação em saúde, tanto pelo avanço de conhecimento que pode representar em termos dos aspectos relevantes ao diagnóstico. Entretanto, não foram encontrados na literatura muitos trabalhos avançados abordando o uso de modelos explicáveis em análise de imagens mamográficas com uso de ML.Um modelo explicável é capaz de se encaixar em leis e fazer com que a solução seja aplicada em um domínio real. O diagnóstico de câncer é um momento sensível, por conta disso saber como um modelo de Deep Learning ou Machine Learning chegou a um determinado resultado, pode direcionar melhor médicos a investigarem casos de maneira mais direcionada, dessa forma dando mais ˆenfase em algumas características da imagem, além de gerar mais confiabilidade nos resultados de predição de modelos.O uso de Deep Learning para tarefas de classificação de imagens tem obtido resultados surpreendentes, que se igualam e em alguns casos e até mesmo superam a capacidade humana, por isso essa abordagem vai ser discutida nessa dissertação. Aliando uma poderosa ferramenta de classificação com técnicas que permitam deixar os modelos criadoscom predições explicáveis, assim tornar uma ferramenta de classificação de lesões mamárias com alto potencial de confiabilidade para seus usuários finais, os médicos especialistas.Para atingir esses objetivos são investigados arquiteturas de Aprendizagem Profunda como VGG16 e técnicas de explicabilidade de modelos treinados como LIME que é um framework de explicabilidade de bom desempenho e de maneira simples de utilização.Essa dissertação tem o intuito de desenvolver um modelo de Deep Learning, que utilize técnicas de Ingeligˆencia Artificial Explicável (XAI, do inglˆes Explainable Artificial Intelligence) ou seja tenha predições explicáveis que classifique lesões mamárias e identifique as características importantes que levaram o modelo a atingir tal resultado.Após o treinamento do modelo usando arquitetura VGG16, as métricas analisadas foram acurácia, especificidade e sensibilidade, os resultados obtidos foram respectivamente 68%77% e 65%. Resultados maiores foram encontrados na literatura, porém não são resultados que sejam reprodutíveis. Em muitos casos as bases de dados são particulares de hospitais que a equipe fez o levantamento de mamografias dos últimos 20 anos, criou-se o conjunto de dados e os testes foram feitos. Houve uma dissertação de mestrado feita por Adam Jaamour em 2020 na Universidade de St Andrews com uma abordagem semelhante e que obteve resultados próximos aos apresentados nessa dissertação, o autor reportou o resultado da acurácia de 67%.Modelos de ML e DP tˆem um grande potencial, entretanto devem ser treinados com conjunto de dados datasets com grande quantidade de imagens, e imagens de qualidade.Com a performance melhorada, e atingindo métricas melhores do que as apresentadas neste trabalho, pode ser que esses modelos sejam aplicáveis em uso da vida real. O uso combinado de modelos de DL com frameworks de Inteligˆencia Artificial Explicável, pode ajudar no direcionamento de lesões. As marcações de áreas suspeitas são diferentes do direcionamento que médicos radiologistas procuram, entretanto são marcações com potencial direcionado para uma área da lesão em análise.