利用人工智能改善早期乳腺癌檢測

僅在，每年就有40,000名女性死于乳腺癌。當(dāng)癌癥早期發(fā)現(xiàn)時，它們通?？梢灾斡Ｈ榉縓線照片是最好的測試，但它們?nèi)匀徊煌昝溃⑶医?jīng)常導(dǎo)致假陽性結(jié)果，這可能導(dǎo)致不必要的活組織檢查和手術(shù)。

假陽性的一個常見原因是所謂的“高風(fēng)險”病變，其在乳房X線照片上顯得可疑并且在通過針吸活檢測試時具有異常細(xì)胞。在這種情況下，患者通常接受手術(shù)以移除病變; 然而，90%的時間病變在手術(shù)中都是良性的。這意味著每年都有成千上萬的女性經(jīng)歷痛苦，昂貴，疤痕誘發(fā)的手術(shù)，這些手術(shù)甚至都不是必需的。

那么，如何在消除乳房X光檢查在癌癥檢測中的重要作用的同時，如何消除不必要的手術(shù)?麻省理工學(xué)院計算機科學(xué)與人工智能實驗室(CSAIL)，馬薩諸塞州綜合醫(yī)院和哈佛醫(yī)學(xué)院的研究人員認(rèn)為，答案是轉(zhuǎn)向人工智能(AI)。

作為應(yīng)用人工智能改善檢測和診斷的第一個項目，團(tuán)隊合作開發(fā)了一個人工智能系統(tǒng)，該系統(tǒng)使用機器學(xué)習(xí)來預(yù)測乳房X線照片后針刺活檢時發(fā)現(xiàn)的高風(fēng)險病變是否會在手術(shù)時升級為癌癥。

當(dāng)對335個高風(fēng)險病灶進(jìn)行測試時，該模型正確診斷出97%的乳腺癌是惡性的，并且與現(xiàn)有方法相比，良性手術(shù)的數(shù)量減少了30%以上。

麻省理工學(xué)院電子工程和計算機科學(xué)三角洲電子學(xué)教授以及乳腺癌幸存者本人Regina Barzilay說：“由于診斷工具非常不精確，醫(yī)生可能會過度篩查乳腺癌。” “當(dāng)數(shù)據(jù)存在很大的不確定性時，機器學(xué)習(xí)正是我們改進(jìn)檢測和防止過度治療所需的工具。”

該模型根據(jù)600多種現(xiàn)有高風(fēng)險病變的信息進(jìn)行培訓(xùn)，在許多不同的數(shù)據(jù)元素中尋找模式，包括人口統(tǒng)計學(xué)，家族史，過去的活組織檢查和病理報告。

“據(jù)我們所知，這是第一項將機器學(xué)習(xí)應(yīng)用于區(qū)分需要手術(shù)的高危病灶和不需要手術(shù)的高危病灶的研究，”哈佛醫(yī)學(xué)院教授，??乳腺成像主任康斯坦斯雷曼說。 MGH放射科的分部。“我們相信這可以幫助女性做出更明智的治療決策，并且我們可以提供更有針對性的醫(yī)療保健方法。”

最近麥克阿瑟“天才補助金”獲得者，Barzilay是一篇描述結(jié)果的新期刊文章的合著者，與MGH的Lehman和Manisha Bahl共同撰寫，以及CSAIL研究生Nicholas Locascio，Adam Yedidia和Lili Yu 。這篇文章今天發(fā)表在醫(yī)學(xué)雜志放射學(xué)上。

當(dāng)乳房X線照片檢測到可疑病變時，進(jìn)行針吸活組織檢查以確定它是否是癌癥。大約70%的病變是良性的，20%是惡性的，10%是高危病變。

醫(yī)生以不同的方式管理高危病變。有些人在所有病例中做手術(shù)，而有些人僅對癌癥發(fā)病率較高的病變進(jìn)行手術(shù)，如“非典型導(dǎo)管增生”(ADH)或“小葉原位癌”(LCIS)。

第一種方法要求患者經(jīng)歷痛苦，耗時且昂貴的手術(shù)，這通常是不必要的; 第二種方法是不精確的，可能導(dǎo)致ADH和LCIS以外的高危病變中的癌癥丟失。

“絕大多數(shù)患有高風(fēng)險病變的患者都沒有癌癥，我們正試圖找到少數(shù)患者，”MGH放射科的同事巴爾說。“在這種情況下，總有一種風(fēng)險，當(dāng)你試圖增加你可以識別的癌癥數(shù)量時，你也會增加你發(fā)現(xiàn)的誤報數(shù)量。”

使用一種稱為“隨機森林分類器”的方法，與總是進(jìn)行手術(shù)的策略相比，該團(tuán)隊的模型導(dǎo)致更少的不必要的手術(shù)，同時還能夠診斷更多癌癥病變而不是僅在傳統(tǒng)的“高”手術(shù)中進(jìn)行手術(shù)的策略 - 病變。“(具體而言，新模型診斷出97%的癌癥與79%相比。)

加州大學(xué)舊金山分校放射學(xué)和生物醫(yī)學(xué)成像系臨床信息學(xué)主任Marc Kohli說：“這項工作突出了使用尖端機器學(xué)習(xí)技術(shù)避免不必要手術(shù)的一個例子。” “這是邁向醫(yī)學(xué)界的第一步，它將機器學(xué)習(xí)作為識別人類無法看到的模式和趨勢的一種方式。”

雷曼表示，MGH放射科醫(yī)生將在明年開始將該模型納入其臨床實踐中。

“在過去，我們可能會建議手術(shù)切除所有高風(fēng)險病灶，”雷曼說。“但現(xiàn)在，如果模型確定病變在特定患者中癌癥的可能性非常低，我們可以與患者就其選擇進(jìn)行更明智的討論。一些患者的病變可能是合理的，然后是成像而不是手術(shù)切除。“

該團(tuán)隊表示，他們?nèi)栽谂M(jìn)一步磨練模型。

“在未來的工作中，我們希望將病理幻燈片的乳房X線照片和圖像中的實際圖像以及醫(yī)療記錄中更廣泛的患者信息納入其中，”Bahl說。

展望未來，該模型還可以輕松調(diào)整，以完全應(yīng)用于其他類型的癌癥甚至其他疾病。

“如果你有許多與特定結(jié)果相關(guān)的不同因素，那么這樣的模型就會起作用，”Barzilay說。“它有望使我們能夠開始超越一種通用的醫(yī)療診斷方法。”