乳腺癌是美国女性癌症相关死亡的三大原因之一,尽管自1989年以来,乳房x光检查等检测方法和技术帮助将死亡率降低了39%,但今年美国将有超过4.1万名女性死于乳腺癌。据Cancer.net报道(在新窗口中打开).
一个新的人工智能然而,麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员开发的模型可以分析乳房x光照片并预测乳腺癌风险最多提前五年(在新窗口中打开).
风险模型有缺陷
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。
“自上世纪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,科学家们思考这个问题的方式才发生了很大的变化,”亚当·亚拉说,他是麻省理工学院CSAIL的博士生,也是这项研究的合著者医学杂志(在新窗口中打开)放射学(在新窗口中打开).
以前的风险模型是基于年龄、乳腺癌家族史、乳腺密度和遗传因素等因素。虽然这些模型有助于提高早期检测,但它们遗漏了许多关于患者的重要数据,并且不能在个体水平上提供准确的结果。
Yala说:“这种方法的问题在于,你在将重要的信息输入模型之前进行了汇总,这意味着模型本身并不是很准确。”
麻省理工学院CSAIL的科学家与麻省总医院(MGH)合作,开发了一种深度学习这个模型是在来自6万名患者的9万张全分辨率乳房x光片上进行训练的,这些患者在几年的时间里接受了不同结果的扫描。
麻省理工学院的深度学习算法在乳房组织中发现了一些模式,这些模式暗示了癌症的风险,但对人类的眼睛来说太微妙了。因此,人工智能可以比人类放射科医生早几年在乳房x光检查中发现乳腺癌的迹象,这可以减少侵入性治疗并削减医疗费用。
根据这项研究,该模型准确预测了31%的高危癌症患者。现有模型的准确率在18%左右。
提供个性化护理
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。
麻省理工学院教授Regina Barzilay说:“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。”Regina Barzilay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,而另一组高风险的女性可能会补充进行核磁共振成像筛查。”
雅拉说:“如果你对合适的人进行正确的筛查,你不仅可以改善体验,减少乳房x光检查的危害,还可以更早地发现癌症,这对治疗决策产生了巨大的影响,因为你对早期和晚期癌症的治疗是非常不同的。”
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,它们的表现在不同的人群中有所不同。根据Yala的说法,基于年龄和家族史等高层次表面因素的风险模型不能很好地概括。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光片的实际模式。尽管在我们的数据集中,非裔美国女性占整个数据集的5%,但该模型对两者的表现仍然一样好。对我来说,这表明组织信息更多地是共享的,而家族史可能不是,”亚拉说。
研究人员现在正寻求与更多医院合作,研究和服务其他群体,使这种模式更加公平。他们还将寻求将这项工作扩展到其他类型的癌症,特别是那些风险模型不太有效的癌症,比如胰腺癌。
麻省理工学院CSAIL的深度学习模型是旨在将人工智能应用于乳腺癌诊断和治疗的几个项目之一。包括IBM、谷歌和Alphabet子公司DeepMind在内的大型科技公司与纽约大学和哈佛医学院等大学一起,在该领域处于领先地位。
“我们的目标是使这些进步成为护理标准的一部分,”Yala说。“通过预测未来谁会患上癌症,我们有望挽救生命,并在症状出现之前发现癌症。”