發布日期：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?？梢?，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）、馬薩諸塞州總醫院（MGH），以及哈佛醫學院的研究人員認為答案在人工智能（AI）。他們聯合發表了一篇文章在最近的《 Radiology》雜志上。 左至右：麻薩諸塞州醫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 團隊聯合開發了一個AI系統，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