利用人工智能提前预测乳腺癌及个性化理疗

麻省理工学院/哈佛大学麻省总医院基于图像的深度学习模型可以提前5年预测乳腺癌。

尽管遗传学和现代成像技术取得了重大进展，但诊断结果往往还是让大多数乳腺癌患者晴天霹雳。对这些人来说，诊断结果来得太晚了。晚期的诊断意味着更激进的治疗，不确定的结果，以及更多的医疗费用。因此，有效鉴别患者一直是乳腺癌研究和早期检测的中心支柱。

考虑到这一点，麻省理工学院计算机科学与人工智能实验室（CSAIL）和哈佛大学麻省总医院（MGH）的一个团队已经创建了一个新的深度学习模型，该模型可以通过乳房X光片提前多达五年预测患者将来是否可能患上乳腺癌。该模型存储了超过60000名麻省总医院患者的乳房X光检查和已知结果的训练，了解了乳腺组织中作为恶性肿瘤前体的细微模式。

麻省理工学院教授雷吉娜·巴兹莱（Regina Barzilay）本人也是一名乳腺癌幸存者，她说，希望这样的系统能够辅助医生制定筛查和预防计划，使晚期诊断成为历史。

尽管乳房X光检查已显示可以降低乳腺癌死亡率，但关于筛查频率和开始时间的争论仍在继续。虽然美国癌症协会建议从45岁开始每年进行一次筛查，但美国预防工作组建议从50岁开始每两年进行一次筛查。

“我们可以针对女性患癌症的风险进行个性化筛查，而不是采取一刀切的方法，”Barzilay说，她是今天发表在《放射学》上的一篇关于该项目的新论文的资深作者。“例如，医生可能会建议一组妇女每隔一年做一次乳房X光检查，而另一组更高风险的妇女可能会进行额外的核磁共振检查。”Barzilay是麻省理工学院的电气工程和计算机科学系教授，也是麻省理工学院下属癌症研究机构科赫综合研究所的成员。

该团队的模型在预测癌症风险方面的成果明显优于现有的方法：它准确地将31%的癌症患者置于其最高风险类别，而传统模型仅为18%。

哈佛大学教授康斯坦斯雷曼（Constance Lehman）表示，之前在医疗界对基于风险而非基于年龄的筛查策略的支持微乎其微。

“这是因为以前我们没有为女性个体提供准确的风险评估工具，”雷曼说，他是哈佛医学院的放射学教授，也是麻省总医院的乳腺成像部门主管。“我们是第一个证明此方法是可行的。”

巴茨雷和雷曼共同撰写了这篇论文，主要作者是麻省理工学院计算机科学与人工智能实验室博士生亚当·亚拉。其他合著者包括博士生Tal Schuster和前硕士生Tally Portnoi。

它是如何工作的

自1989年建立第一个乳腺癌风险模型以来，人类对年龄、乳腺癌和卵巢癌家族史、荷尔蒙激素和生殖因子,以及乳腺密度等主要风险因素的研究在很大程度上推动了乳腺癌的发展。

然而，这些因素中的大多数与乳腺癌只有微弱的相关性。这种模型在个人层面上仍然不太准确，因此许多组织仍然认为考虑到这些局限性,基于风险的筛选方案是不可能的。

所以麻省理工和麻省总医院团队训练了一个更深入的学习模型，可以直接从数据中推断出这些模型，而不是在乳腺X光片中手动识别导致未来癌症的因素。利用90000多张乳房X光片的信息，该模型检测到了人类肉眼无法检测到的因素。

雷曼说：“自20世纪60年代以来，放射科医生已经注意到女性乳房X光片上的乳腺组织有独特且广泛的变化。”这些变化受到遗传、激素、怀孕、哺乳、饮食、减肥和体重增加的影响。现在，我们可以利用这些详细信息，在我们的风险评估中做到更加精确。”

使癌症检测更加公平

该项目还旨在使对少数民族的癌症风险评估更加准确.尤其是许多早期的模型是建立在白人群体上的，而对于其他种族则不太准确。但麻省理工和麻省总医院的模型对白人和黑人女性同样准确。这一点尤其重要，因为黑人妇女被证明有42%的可能性死于乳腺癌，这是由于各种因素可能包括检测条件和能获得的医疗保健水平的差异造成的。

斯坦福大学医学院医学与健康研究策略副教授Allison Kurian说：“特别令人吃惊的是，这种模式在白人和黑人中的表现同样出色，而在先前的工具中，情况并非如此。”“如果得到验证并广泛使用，这将真正改善我们目前的风险评估策略。”

Barzilay说，他们的系统也有一天可以让医生使用钼靶来检查患者是否有其他健康问题，比如心血管疾病或其他癌症。研究人员迫切希望将这些模型应用于其他疾病，尤其是胰腺癌这样低有效风险模型的疾病。

雅拉说：“我们的目标是使这些进步成为护理标准的一部分。”“通过预测谁将来会患上癌症，我们有希望在癌症病变出现之前挽救生命。”

亚当•康纳•西蒙斯和瑞秋•戈登 |麻省理工学院 计算机科学与人工智能实验室

2019年5月7日