伊利诺伊州奥克布鲁克 - 根据发表在Radiology杂志上的一项新研究，两家主要机构的研究人员开发出一种新工具，采用先进的人工智能(AI)方法来预测女性未来患乳腺癌的风险。
识别有乳腺癌风险的妇女是有效早期疾病检测的重要组成部分。然而，使用诸如家族史和遗传因素的可用模型在预测个体女性被诊断患有该疾病的可能性方面远远不够。
乳房密度 - 与乳房X线照片中乳房脂肪组织的数量相比，致密组织的数量 - 是乳腺癌的独立危险因素，已添加到某些模型以改善风险评估。它基于主观评估，可以因放射科医师而异，因此深度学习是计算机通过实例学习的AI的一个子集，已经被研究作为标准化和自动化这些测量的一种方式。
“乳房X线照片中的信息远远超过四类乳房密度，”研究主要作者Adam Yala博士说。马萨诸塞州剑桥市麻省理工学院(麻省理工学院)的候选人。“通过使用深度学习模型，我们可以获得指示未来癌症的微妙线索。”
Yala与麻省理工学院人工智能专家兼教授Regina Barzilay博士，波士顿马萨诸塞州综合医院(MGH)乳腺成像主任，医学博士，医学博士，康斯坦斯雷曼分校合作。哈佛医学院最近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，第二个模型是单独使用乳房X线照片的深度学习，第三个模型是将乳房X线照片和传统风险因素纳入深度学习模型的混合方法。
研究人员使用来自约40,000名女性的近90,000个全分辨率筛查乳房X线照片来训练，验证和测试深度学习模型。他们通过与区域肿瘤登记处的联系获得了癌症结果。
与Tyrer-Cuzick模型相比，深度学习模型产生了显着改善的风险歧视，Tyler-Cuzick模型是目前使用乳房密度分解风险的临床标准。在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，乳腺非致密性和模型评估高风险患者的乳腺密集患者的癌症发病率为3.9倍，模型评估为低风险。不同亚组女性的优势。
“与传统模式不同，我们的深度学习模型在不同的种族，年龄和家族历史中表现得同样出色，”Barzilay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的劣势。我们的AI模式改变了这一点。”
“在全分辨率乳房X线照片中有大量的信息，乳腺癌风险模型直到最近才能使用，”Yala补充说。“通过深度学习，我们可以学习直接从数据中利用这些信息，并创建在不同人群中更加准确的模型。”
AI辅助乳房密度测量已经用于筛查在MGH进行的乳房X线照片。研究人员正在跟踪其在诊所的表现，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法。
“支持更有效，更个性化的筛查计划的缺失因素是风险评估工具，这些工具易于实施，并且适用于我们所服务的各种女性，”Lehman博士说。“我们对我们的结果感到非常兴奋，并渴望与我们的医疗保健系统，我们的医疗服务提供者以及最重要的是我们的患者密切合作，将这一发现纳入所有女性的改善结果。”
标签：人工智能
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。