乳腺癌是美国女性癌症相关死亡的三大原因之一。自1989年以来,乳房x光检查等检测方法和技术帮助降低了39%的死亡率,但今年美国将有超过4.1万名女性死于乳腺癌。据Cancer.net(在一个新窗口中打开).
一个新的人工智能然而,由麻省理工学院计算机科学和人工智能实验室(CSAIL)的研究人员开发的模型可以分析乳房x光片并预测乳腺癌风险最多可以提前五年(在一个新窗口中打开).
风险模型存在缺陷
早期发现与降低死亡率密切相关,因此该领域的研究一直以尽早发现症状为中心。
“自80年代末以来,研究人员一直在创建乳腺癌的风险模型。但直到最近,科学家们思考这一问题的方式都没有太大的改变,”麻省理工学院CSAIL的博士生亚当·亚拉(Adam Yala)说,他是该研究的合著者医学杂志(在一个新窗口中打开)放射学(在一个新窗口中打开).
以前的风险模型是基于包括年龄、乳腺癌家族史、乳腺密度和遗传因素在内的因素。虽然这些模型有助于改善早期检测,但它们遗漏了许多关于患者的重要数据,并不能在个体层面提供准确的结果。
Yala说:“这种方法的问题在于,在将重要信息输入模型之前,你是在总结信息,这意味着模型本身并不是非常准确。”
麻省理工学院CSAIL的科学家与麻省总医院(MGH)合作,开发了一种新的深度学习该模型接受了来自6万名患者的9万张全分辨率乳房x光片扫描的训练,这些患者在几年的时间里接受了扫描,结果各不相同。
麻省理工学院的深度学习算法在乳腺组织中发现了暗示癌症风险的模式,但这些模式太过微妙,人眼无法捕捉。因此,人工智能可以比人类放射科医生更早几年在乳房x光检查中发现乳腺癌的迹象,这可以减少侵入性治疗和削减医疗费用。
根据这项研究,该模型准确预测了31%的高危癌症患者。现有模型的精确度在18%左右。
提供个性化的保健
基于人工智能的乳腺癌检测的好处之一是,医生将能够为患者提供个性化的扫描和预防。
“与其采取一刀切的方法,我们可以针对女性患癌症的风险进行个性化筛查,”麻省理工学院教授Regina Barzilay说,她是该研究的资深作者,也是一名乳腺癌幸存者。“例如,医生可能会建议一组女性每隔一年做一次乳房x光检查,而另一组风险较高的女性可能会做补充核磁共振检查。”
Yala说:“如果你给正确的人进行正确的筛查,你既可以改善乳房x光检查的体验,减少伤害,也可以更早地发现癌症,这对治疗决定有很大的不同,因为你对早期和晚期癌症所做的是非常不同的。”
到目前为止,该模型已被证明在不同种族和民族的人群中同样准确。这是其他风险模型的痛点之一,它们在不同的人群中表现各异。Yala认为,基于年龄和家族史等高水平表面因素的风险模型不能很好地推广。例如,如果它们是根据主要来自白人女性的数据创建的,那么它们在非白人患者身上的表现就很差。
我们的编辑推荐
“我们的模型是基于乳房x光检查的实际模式。尽管在我们的数据集中,非裔美国女性(占)整个数据集的5%,但该模型对两者仍然表现得一样好。这对我来说是一个信号,组织信息被更多地分享,而家族史可能不会,”Yala说。
研究人员现在正寻求与更多的医院合作,以研究和服务其他群体,使模式更加公平。他们还将寻求将工作扩展到其他类型的癌症,特别是那些风险模型不那么有效的癌症,如胰腺癌。
麻省理工学院CSAIL的深度学习模型是几个旨在将人工智能应用于乳腺癌诊断和治疗的项目之一。包括IBM、谷歌和Alphabet子公司DeepMind在内的大型科技公司正与纽约大学和哈佛医学院等大学一起,在该领域发挥主导作用。
“我们的目标是使这些进步成为医疗标准的一部分,”Yala说。“通过预测未来谁会得癌症,我们有希望挽救生命,在症状出现之前就发现癌症。”