研究人员使用深度学习预测乳腺癌的风险
与常用的临床危险因素相比,一个复杂的类型的人工智能(AI)称为深度学习做得更好区分女性的乳房x线照片将患乳腺癌和那些不会晚些时候,根据一项新的研究在《华尔街日报》放射学。研究人员说,这些发现凸显艾未未的潜在读者作为第二放射科医生,可以减少不必要的成像和相关成本。
年度建议乳房x光检查女性从40岁开始屏幕乳腺癌。研究表明,筛查性乳房x光检查降低乳腺癌的死亡率通过减少晚期癌症的发病率。
乳房x光成像不仅帮助检测癌症,还提供了一个衡量乳房通过测量乳房密度罹患癌症的风险。在密集的胸部乳房x光检查与更高的患癌症的风险,还有其他未知因素隐藏在乳房x光检查,可能导致的风险。
“传统的乳腺癌风险评估方法使用临床危险因素尚未有效,”研究报告的主要作者约翰·a·牧羊犬,博士,教授,研究员在太平洋地区的人口科学项目(流行病学)在檀香山夏威夷大学癌症中心。“我们认为有更多的形象不仅仅是乳腺密度将用于评估风险。”
在新的研究中,牧羊人博士和他的同事使用一个数据集的25000多数字放映乳房x光检查从6369年女性参与筛查性乳房x光检查。超过1600的女性screening-detected乳腺癌发展,和351年发达间隔浸润性乳腺癌。
研究人员训练有素的深度学习模型发现细节,或乳房x光检查信号,可能会增加患癌症的风险。当他们测试了基于深度学习模型,它表现在评估间隔癌症风险的风险因素,但它表现的临床危险因素包括乳腺密度决定screening-detected患癌症的风险。
“结果表明,额外的信号我们与人工智能提供了一个更好的风险估计screening-detected癌症,“牧羊人博士说。“它帮助我们完成我们的目标,将女性分为低风险或高screening-detected乳腺癌的风险。”
临床实践的结果产生重大影响乳腺密度仅指导许多管理决策。而不是建议明年返回筛选,消极的女性乳房x光检查可以通过风险分类为三种途径:乳腺癌的风险较低,screening-detected风险升高,或高架区间侵袭性癌症在未来三年内,平均随访时间的研究。
“这将使我们能够使用一个女人的个人风险决定她应该监测频率,“牧羊人博士说。“低风险女性可能不需要接受乳房x光检查的患者与患乳腺癌的风险。”
的深度学习模型也承诺支持决定额外成像与MRI和其他形式。谢泼德博士说,妇女的高风险深度学习群也有致密的乳房和间隔癌症风险更高的可能受益最大的监测策略,包括补充成像保留敏感性等致密乳房核磁共振,超声分子成像。间隔癌症通常有更积极的肿瘤生物学和通常发现在一个先进的阶段。
连同其他最近的研究中,这项新研究支持人工智能与临床相结合的作用风险因素在乳腺癌的风险评估。
”排名乳房x光检查的图像中看到癌症的概率,人工智能将是一个强大的二读工具帮助乳房x线照片分类,“牧羊人博士说。
研究人员正计划复制研究夏威夷原住民和太平洋岛民女性,两组已经在乳腺癌研究弱势。他们还想延长工作之外癌症的风险观察不同等级的乳腺癌的风险癌症,从最小最积极。
进一步探索
