人工智能改进了乳腺癌风险预测

根据发表在该杂志上的一项研究，一种复杂类型的人工智能(AI)可以在预测哪些女性未来有患乳腺癌的风险方面胜过现有模型放射学．

大多数现有的乳房癌症筛查项目以乳房x光检查为基础，每隔一段时间进行一次，通常是每年或每两年进行一次，适用于所有女性。这种“一刀切”的方法并不适合个体层面的癌症检测，可能会阻碍筛查项目的有效性。

“风险预测是个体适应筛查政策的重要基石，”该研究的主要作者、来自瑞典斯德哥尔摩卡罗林斯卡学院的乳腺放射学家、博士研究生Karin Dembrower说。“有效风险预测可以提高出勤率和对筛查项目的信心。”

高乳房密度与脂肪相比，脂肪含有更多的腺体和结缔组织，被认为是癌症的风险因素。虽然密度可以纳入风险评估，但目前的预测模型可能无法充分利用乳房x光片中发现的所有丰富信息。这些信息有潜力确定哪些妇女将受益于额外的核磁共振检查。

Dembrower博士和同事们开发了一种风险模型它依赖于深层神经网络这是一种可以从乳房x光影像中提取大量信息的人工智能。它比其他方法有内在的优势，如放射科医生对乳房x光密度的视觉评估，可能无法在图像中捕获所有与风险相关的信息。

新模型是根据2008年至2012年诊断的病例进行开发和训练的，然后对2000多名在卡罗林斯卡大学(Karolinska University)医院系统接受过乳房x光检查的40至74岁女性进行了研究。在参与研究的2283名女性中，有278人后来被诊断出患有乳腺癌。

与最好的乳房x线摄影密度模型相比，深度神经网络显示了更高的乳腺癌风险关联。假阴性率——即未被归类为高危人群的女性后来被诊断为乳腺癌的比率——在深度神经网络下比在最佳乳房x光密度模型下要低。

“深度神经网络总体上优于基于密度的模型，”Dembrower博士说。“它没有与基于密度的模型相同的偏见。它的预测准确性没有受到更具侵袭性的癌症亚型的负面影响。”

研究结果支持人工智能在未来的角色乳腺癌风险评估。

“我们目前还没有报告乳房x光密度，”登布罗尔说。“在引入个体适应筛查时，我们使用经过训练的深度学习网络来预测癌症，而不是采用密度提供的间接途径。”

另外一个好处是，通过接触更多高质量的数据集，人工智能方法可以不断改进。

“我们斯德哥尔摩皇家理工学院(Royal Institute of Technology)的深度学习专家正在对该模型进行更新，”Dembrower博士说。“之后，我们计划明年通过向患者提供核磁共振成像(MRI)，对该模型进行临床测试女性谁将是最大的受益者。”