利用人工智能预测乳腺癌的未来风险

根据发表在该杂志上的一项新研究，来自两大机构的研究人员开发了一种具有先进人工智能(AI)方法的新工具，可以预测女性未来患乳腺癌的风险放射学．

确定有乳腺癌风险的妇女是有效的早期疾病检测的关键组成部分。然而，利用家族史和遗传等因素的现有模型在预测单个女性被诊断出患有这种疾病的可能性方面远远不够。

乳房密度——乳腺致密组织的数量与乳房x光片上脂肪组织的数量之比——是乳腺癌的一个独立风险因素，一些模型已将其添加到改进风险评估中。它基于不同放射科医生的主观评估，因此深度学习是人工智能的一个子集，计算机通过实例学习，已被研究为标准化和自动化这些测量的一种方式。

该研究的主要作者、马萨诸塞州剑桥市麻省理工学院(MIT)的博士生亚当·亚拉(Adam Yala)说:“乳房x光片中包含的信息远不止乳腺密度的四种类型。”“通过使用深度学习模型，我们了解到预示未来癌症的微妙线索。”

Yala最近与麻省理工学院人工智能专家和教授Regina Barzilay博士，以及波士顿麻省总医院(MGH)乳房成像主任、哈佛医学院放射学教授Constance Lehman博士合作，比较了三种不同的风险评估方法。第一个模型依赖于传统的风险因素，第二个模型依赖于仅使用乳房x光片的深度学习，第三个模型采用混合方法，将乳房x光片和传统风险因素纳入深度学习模型。

研究人员使用了来自约4万名女性的近9万张全分辨率筛查乳房x光片来训练、验证和测试深度学习模型。他们能够通过与区域肿瘤登记处的联系来获得癌症结果。

深度学习模型比Tyrer-Cuzick模型(目前的临床标准，使用乳房密度来考虑风险)大大提高了风险识别能力。当将混合深度学习模型与乳房密度进行比较时，研究人员发现，非致密性乳房和模型评估的高风险患者的癌症发病率是致密性乳房和模型评估的低风险患者的3.9倍。这种优势存在于不同的女性群体中。

“与传统模型不同，我们的深度学习模型在不同种族、年龄和家族史的情况下都表现得同样出色，”巴兹雷博士说。“到目前为止，非洲裔美国女性在对未来乳腺癌进行准确的风险评估方面处于明显劣势。我们的人工智能模式改变了这一点。”

Yala补充说:“全分辨率乳房x光照片中有大量的信息，乳腺癌风险模型直到最近才能够使用。”“通过深度学习，我们可以学会直接从数据中利用这些信息，并创建在不同人群中明显更准确的模型。”

人工智能辅助的乳房密度测量已经用于在MGH进行的筛查性乳房x光检查。研究人员正在跟踪其在临床中的表现，同时致力于改进向女性及其初级保健医生传达风险信息的方式。

雷曼博士说:“要支持更有效、更个性化的筛查项目，一个缺失的因素是易于实施的风险评估工具，它适用于我们所服务的各种类型的女性。”“我们对我们的结果感到兴奋，渴望与我们的医疗保健系统、我们的提供者，最重要的是，我们的患者密切合作，将这一发现纳入改善所有女性的结果中。”

本文已从材料由北美放射学会．注:材料的长度和内容可能经过编辑。如需进一步信息，请联系所引用的来源。

参考文献:一种基于深度学习乳房x线摄影的改进乳腺癌风险预测模型。放射学(2019) (https://pubs.rsna.org/journal/radiology)