利用人工智能改善早期乳腺癌检测

仅在，每年就有40,000名女性死于乳腺癌。当癌症早期发现时，它们通常可以治愈。乳房X线照片是最好的测试，但它们仍然不完美，并且经常导致假阳性结果，这可能导致不必要的活组织检查和手术。

假阳性的一个常见原因是所谓的“高风险”病变，其在乳房X线照片上显得可疑并且在通过针吸活检测试时具有异常细胞。在这种情况下，患者通常接受手术以移除病变; 然而，90%的时间病变在手术中都是良性的。这意味着每年都有成千上万的女性经历痛苦，昂贵，疤痕诱发的手术，这些手术甚至都不是必需的。

那么，如何在消除乳房X光检查在癌症检测中的重要作用的同时，如何消除不必要的手术?麻省理工学院计算机科学与人工智能实验室(CSAIL)，马萨诸塞州综合医院和哈佛医学院的研究人员认为，答案是转向人工智能(AI)。

作为应用人工智能改善检测和诊断的第一个项目，团队合作开发了一个人工智能系统，该系统使用机器学习来预测乳房X线照片后针刺活检时发现的高风险病变是否会在手术时升级为癌症。

当对335个高风险病灶进行测试时，该模型正确诊断出97%的乳腺癌是恶性的，并且与现有方法相比，良性手术的数量减少了30%以上。

麻省理工学院电子工程和计算机科学三角洲电子学教授以及乳腺癌幸存者本人Regina Barzilay说：“由于诊断工具非常不精确，医生可能会过度筛查乳腺癌。” “当数据存在很大的不确定性时，机器学习正是我们改进检测和防止过度治疗所需的工具。”

该模型根据600多种现有高风险病变的信息进行培训，在许多不同的数据元素中寻找模式，包括人口统计学，家族史，过去的活组织检查和病理报告。

“据我们所知，这是第一项将机器学习应用于区分需要手术的高危病灶和不需要手术的高危病灶的研究，”哈佛医学院教授，​​乳腺成像主任康斯坦斯雷曼说。 MGH放射科的分部。“我们相信这可以帮助女性做出更明智的治疗决策，并且我们可以提供更有针对性的医疗保健方法。”

最近麦克阿瑟“天才补助金”获得者，Barzilay是一篇描述结果的新期刊文章的合着者，与MGH的Lehman和Manisha Bahl共同撰写，以及CSAIL研究生Nicholas Locascio，Adam Yedidia和Lili Yu 。这篇文章今天发表在医学杂志放射学上。

当乳房X线照片检测到可疑病变时，进行针吸活组织检查以确定它是否是癌症。大约70%的病变是良性的，20%是恶性的，10%是高危病变。

医生以不同的方式管理高危病变。有些人在所有病例中做手术，而有些人仅对癌症发病率较高的病变进行手术，如“非典型导管增生”(ADH)或“小叶原位癌”(LCIS)。

第一种方法要求患者经历痛苦，耗时且昂贵的手术，这通常是不必要的; 第二种方法是不精确的，可能导致ADH和LCIS以外的高危病变中的癌症丢失。

“绝大多数患有高风险病变的患者都没有癌症，我们正试图找到少数患者，”MGH放射科的同事巴尔说。“在这种情况下，总有一种风险，当你试图增加你可以识别的癌症数量时，你也会增加你发现的误报数量。”

使用一种称为“随机森林分类器”的方法，与总是进行手术的策略相比，该团队的模型导致更少的不必要的手术，同时还能够诊断更多癌症病变而不是仅在传统的“高”手术中进行手术的策略 - 病变。“(具体而言，新模型诊断出97%的癌症与79%相比。)

加州大学旧金山分校放射学和生物医学成像系临床信息学主任Marc Kohli说：“这项工作突出了使用尖端机器学习技术避免不必要手术的一个例子。” “这是迈向医学界的第一步，它将机器学习作为识别人类无法看到的模式和趋势的一种方式。”

雷曼表示，MGH放射科医生将在明年开始将该模型纳入其临床实践中。

“在过去，我们可能会建议手术切除所有高风险病灶，”雷曼说。“但现在，如果模型确定病变在特定患者中癌症的可能性非常低，我们可以与患者就其选择进行更明智的讨论。一些患者的病变可能是合理的，然后是成像而不是手术切除。“

该团队表示，他们仍在努力进一步磨练模型。

“在未来的工作中，我们希望将病理幻灯片的乳房X线照片和图像中的实际图像以及医疗记录中更广泛的患者信息纳入其中，”Bahl说。

展望未来，该模型还可以轻松调整，以完全应用于其他类型的癌症甚至其他疾病。

“如果你有许多与特定结果相关的不同因素，那么这样的模型就会起作用，”Barzilay说。“它有望使我们能够开始超越一种通用的医疗诊断方法。”

标签：

版权声明：本文由用户上传，如有侵权请联系删除！