麻省理工使用人工智能改善早期乳腺癌检测

据麻省理工学院网站报道，该校计算机科学与人工智能实验室开发了可改善早期乳腺癌检测的相关模型，可以减少误报和不必要的手术。在接下来的一年，麻省总医院的放射科医生将首先将模型转化为临床实践。

仅在美国每年就有4万名女性死于乳腺癌。如果能及早发现，癌症通常都能治愈。乳房X光检查是目前最佳的检测，但这种方法仍不是十全十美的，经常出现假阳性结果，导致了不必要的活检和手术。

假阳性的一个常见原因是所谓的“高风险”病变，有乳房X光检查中显得很可疑，在穿刺活检时有异常细胞。这种情况下，患者通常会通过手术去除这一病变；但是，90%的时间里，该病变在手术时发现是良性的。这意味着每年有上千名女性经历了痛苦、昂贵的手术，留下疤痕，而这种手术甚至并不必要。

那么，在癌症检测中如何既能排除不必要的手术又能发挥乳房X光检查的重要作用呢？美国麻省理工学院计算机科学与人工智能实验室(CSAIL)、麻省总医院（Massachusetts General Hospital）和哈佛医学院（Harvard Medical School）的研究人员认为解决办法是寻求人工智能的支持。

作为首个应用人工智能来改善检测和诊断的项目，该研究团队联合开发了一个人工智能系统，利用机器学习来预测经乳房X光检查、穿刺活检发现的高风险病变在手术时是否会升级成癌症。

该模型在335处高风险病变上进行了测试，正确诊断了97%的乳腺癌为恶性，与现有方法相比，将良性手术的数量降低了30%。“由于诊断工具很不精确，医生越来越过度筛查乳腺癌，这是可以理解的。”一名研究人员表示，同时，她也是一名乳腺癌幸存者。“数据中的不确定性太多了，这时机器学习就正是我们改善检测、防止过度治疗所需的工具。”

该模型接受了600多个现有高风险病变信息的训练，在人口统计学、家族史、过去活检和病理报告等多个不同的数据元素中寻找特征。

“据我们所知，这是运用机器学习来辨别需要手术和无需手术的高风险病变的第一个研究。”研究人员表示，“我们认为，这能有助于女性对其治疗作出更明智的决定，我们能够为医疗保健提供更有针对性的方法。”描述该研究结果的文章于2017年10月16日发表在医学期刊《放射学》（Radiology）上。

如果乳房X光检查发现了一处疑似病变，则进行穿刺活检确定其是否是癌症。约70%的病变为良性，20%为恶性，10%为高风险病变。

医生处理高风险病变的方式不尽相同。有些对所有病例进行手术，有些则只对患癌率高的病变进行手术，例如非典型性导管增生(ADH)或者小叶原位癌(LCIS)。

第一种方式会让患者经历痛苦、耗时且昂贵的手术，而这种手术通常是不必要的；第二种方式不准确，可能导致漏诊了非典型性导管增生和小叶原位癌之外的高风险病变相关的其他癌症。

“具有高风险病变的绝大多数患者都没有癌症，我们正在努力找出那些少数。”麻省总医院放射科的医生表示。“在这种情况下，总是存在着风险——如果我们努力提高能确诊的癌症数量，我们会发现假阳性数量也增加了。”

利用“随机森林分类器”（random-forest classifier）这种方法，该研究团队的模型实现了不必要手术数量比“总是做手术”这种策略的少，能诊断出的癌性病变数量比“只基于传统的高风险病变进行手术”这种方法多。（具体而言，该新模型诊断出97%的癌症，而后者只有79%。）

“该工作是利用前沿机器学习技术来避免不必要手术的范例。”美国加利福尼亚大学旧金山分校（University of California at San Francisco）的研究人员指出。“这是医学界利用机器学习来确定人类发现不了的模式和趋势迈出的第一步。”

研究团队表示，从2018年开始麻省总医院的放射科医生将会把该模型应用于临床实践。“过去，我们可能会建议所有的高风险病变都通过手术切除。”该研究人员说，“但现在，如果这个模型确定某名患者的病变属于癌症的概率很低，我们就掌握了更多的信息与患者讨论她的选择。对于有些患者来说，对其病变进行影像学方面的随诊比手术切除更合理。”

该团队表示仍在努力进一步优化该模型。“在未来的工作中，我们希望能加入真实的乳房X光检查图像和病理切片图像，以及来自病历的更详细患者信息。”研究人员说。随着研究的推进，该模型也可能很容易地调整用于其他类型的癌症，甚至其他疾病。“如果我们有与某一结果相关的多个不同因子，这类模型就能工作。”研究人员说，“在它的帮助下，我们有望改变医疗诊断中的‘一刀切’方法。”