麻省理工学院CSAIL科学家与马萨诸塞州综合医院合作，开发了一种深度学习模型，该模型通过对60,000名患者进行了90,000次全分辨率乳房X线照片扫描，这些患者在几年的时间内进行了扫描并获得了各种结果。

乳腺癌是美国女性癌症相关死亡的三大原因之一，而自1989年以来，乳房X线照相术等检测方法和技术帮助将死亡率降低了39%，美国将有超过41,000名女性死于此病例。根据Cancer.net的说法，今年患有乳腺癌。

然而，麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员开发的一种新的人工智能模型可以提前五年分析乳房X线照片并预测乳腺癌风险。

风险模型存在缺陷

早期发现与降低死亡率密切相关，因此该领域的研究主要集中在尽早发现症状。

“自80年代末以来，研究人员一直在创建乳腺癌的风险模型。但科学家们对此的思考方式直到最近才有所改变，”麻省理工学院CSAIL的博士生，该研究的合着者Adam Yala说。发表在医学杂志放射学。

以前的风险模型基于年龄，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改善早期检测，但它们错过了许多关于患者的重要数据，并且没有在个体层面提供准确的结果。

“这种方法的问题在于，在将[它]输入模型之前总结了重要的信息，这意味着模型本身并不是非常准确，”Yala说。

麻省理工学院CSAIL科学家与马萨诸塞州综合医院(MGH)合作，开发了一种深度学习模型，该模型接受了60,000名患者的90,000次全分辨率乳房X线照片扫描，这些患者在几年的时间内进行了扫描，并获得了各种结果。

麻省理工学院的深度学习算法发现了乳腺组织中的模式，这些模式暗示了癌症的风险，但对人眼来说太过微妙。因此，AI可以比人类放射科医师早几年在乳房X光检查中发现乳腺癌的迹象，这可以减少侵入性治疗并减少医疗费用。

根据该研究，该模型准确预测了31%的风险最高的癌症患者。现有模型的准确率约为18%。

提供个性化护理

基于AI的乳腺癌检测的一个好处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，该研究的高级作者和乳腺癌幸存者本人表示，“我们可以个性化围绕女性患癌症的风险进行筛查，而不是采取一刀切的方法。” “例如，医生可能会建议一组女性每隔一年进行一次乳房X光检查，而另一组高危人群可能会进行MRI检查。”

“如果你给合适的人提供正确的筛查，你既可以改善经验，减少乳房X光检查的危害，又能早期发现癌症，这对治疗决策有很大的影响，因为你在早期和晚期都做了什么癌症是非常不同的，“亚拉说。

到目前为止，该模型已被证明在不同种族和种族的人群中同样准确。这是其他风险模型的难点之一，其表现因人口不同而异。根据Yala的说法，基于年龄和家族史等高水平表面因素的风险模型并不能很好地概括。例如，如果他们是根据主要是白人女性的数据创建的，那么他们对非白人患者的表现很差。

“我们的模型基于乳房X线照片中的实际模式。即使在我们的数据集中，非洲裔美国女性[占整个数据集合的5%]，该模型仍然对两者都表现良好。我认为组织信息更为共享，而家族史可能不会，“Yala说。

研究人员现在正在寻求与更多医院的合作，以研究和服务其他团体，使模型更加公平。他们还将寻求将工作扩展到其他类型的癌症，特别是那些效果较差的风险模型，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，Google和Alphabet子公司DeepMind在内的大型科技公司正在与纽约大学和哈佛医学院等大学一起领导该领域的工作。

“我们的目标是使这些进步成为护理标准的一部分，”Yala说。“通过预测将来会患癌症的人，我们可以在出现症状之前拯救生命并抓住癌症。”