發(fā)布日期：2017-10-25
每年，僅僅在美國就有40,000女性因乳腺癌死亡。當癌癥在早期階段得到發(fā)現，它們往往就可以被治愈。乳房X光檢查是一個最佳的可選診斷方法，但是這種方法也有不足之處，它經常會得到假陽性的結果，從而導致不必要的手術。 常見的導致假陽性的原因稱之為“高風險”病變，在X光檢查上看上去非常可疑，而生物活檢中也能看到異常的細胞。在這種情況下，患者通常會通過手術去除病變；然而，在90%的情況中病變是良性的。這意味著每年數千位女性所經受的痛苦、昂貴的治療、術后的疤痕都是不必要的。 然而，必要的手術是否能夠很好的消除，而同時保留X光檢查在癌癥監(jiān)測中的重要角色。來自MIT計算機科學和人工智能實驗室（CSAIL）、馬薩諸塞州總醫(yī)院（MGH），以及哈佛醫(yī)學院的研究人員認為答案在人工智能（AI）。他們聯合發(fā)表了一篇文章在最近的《 Radiology》雜志上。 左至右：麻薩諸塞州醫(yī)院乳房成像獎學金項目主任Manisha Bahl；麻省理工學院教授Regina Barzilay；Constance Lehman，哈佛醫(yī)學院教授，MGH放射科的乳房成像部門主任。圖片來源：CSAIL/MIT 團隊聯合開發(fā)了一個AI系統(tǒng)，使用機器算法來預測在乳房X光檢測后術后，針刺活檢確定高風險病變在手術時是否升級為癌癥。通過超過600個現有的高風險病變信息的訓練，該模型在許多不同的數據元素中尋找模式，包括人口統(tǒng)計學，家族史，過去的活檢和病理學報告。對335對高風險病變進行測試，模型能夠正確診斷97%的乳腺癌為惡性，與現在的長隊檢測方法相比能夠減少超過30%的良性手術數量。 “由于診斷工具如此不精確，醫(yī)生過度篩查乳腺癌是一個可以理解的趨勢，”麻省理工學院電氣工程與計算機科學教授Regina Barzilay，她也是一位乳腺癌幸存者。“當數據中有很大的不確定性時，機器學習正是我們所需要的工具，用于改善發(fā)現及防止過度治療。” “據我們所知，這是首個使用機器學習來區(qū)分高風險病變哪些需要手術而哪些不需要的研究”，哈佛大學醫(yī)學院教授， MGH放射科乳腺成像科主任，合作者Constance Lehman表示，“我們認為可以幫助女性對她們的治療做出更明智的決定，以及我們可以提供更具有針對性的健康護理。” 那么機器學習究竟是如何達到上述的目標的呢？ 當一個X光成像發(fā)現了一個可疑的病變，針刺活檢用來確認它是否是癌癥。大約70%的病變是良性的，20%是惡性的，10%是高風險病變。 醫(yī)生處理高風險病變的方式有所不同。有些在所有情況中都會采用手術，而另一些只在病變具有高度癌癥化概率的情況下進行手術，例如“非典型性導管增生”（ADH）或“小葉原位癌”（LCIS）。 第一種途徑需要患者經受痛苦、耗時并且昂貴的手術，而且可能是不必要的；而第二種則不夠精確，可能會導致遺漏一些ADH和LCIS外的癌癥高風險的病變。 “絕大多數具有高風險病變的患者并沒有癌癥，因而我們試圖找到那些可以確認的，” MGH的放射科醫(yī)師Bahl表示，“在這樣的情況下，當你試圖增加你能識別的癌癥的數量時，你也會增加你發(fā)現假陽性的數量。” 團隊使用一種被稱為“隨機森林分類器”的方法，該團隊所開發(fā)的模型相比于總是做手術的策略避免了不必要的手術，同時也能診斷出更多的癌癥病變，而不是只在傳統(tǒng)的“高危病變”上做手術的策略。尤其是，新模型診斷了97%的癌癥，而傳統(tǒng)手段只有79%。 Lehman說:“過去，我們可能建議將所有高風險病灶切除。但是現在，如果模型確定病灶有很低的幾率在特定的病人中發(fā)生癌變，我們就可以與病人就她的選擇進行更詳細的討論。對于一些患者來說，他們的病灶是依據影像切除的而不是手術，是更為合理的。” 明年MGH會將這個模型納入臨床實踐，團隊也在進一步努力使得模型更加完善。未來，這種機器學習有望用于更多的癌癥治療評估中，這對改變傳統(tǒng)模式中很多“一刀切”的做法將有著更多的幫助和參考意義。
來源：康健新視野
