麻省理工学院计算机科学与人工智能实验室(CSAIL)开发的模型可以减少乳腺癌的误报以及避免不必要的手术。
这是将AI应用于改进乳腺癌检测和诊断的第一个项目。团队合作开发了一个AI系统,该系统使用机器学习来预测乳腺的高风险病变,是否会导致癌症。
当对335个高风险病变进行检测时,该模型正确诊断了97%的乳腺癌是恶性肿瘤,与现有方法相比,良性手术的数量减少了30%以上。
从左到右,分别是:麻省总医院总医院乳腺成像主任Manisha Bahl; 麻省理工学院教授Regina Barzilay(中)和哈佛医学院教授,MGH放射科的乳腺成像科主任Constance Lehman。
▍乳腺癌检测
美国每年有40,000名妇女死于乳腺癌。当癌症早期发现时,常常可以治愈。乳房X光是可用的最佳测试方法,但仍然不完美,经常会导致假阳性结果,导致不必要的活检和手术。
假阳性的一个常见原因是所谓的“高风险”病变,当通过针刺活检进行检测时,在乳房X光片上看起来可疑,并且具有异常细胞。在这种情况下,患者通常进行手术以去除病变; 然而,90%的时间病变在手术中被发现是良性的。这意味着每年都有数千名妇女经历痛苦,昂贵,疤痕诱导的手术,这本来可以避免。
那么如何消除不必要的手术,同时仍然保持乳腺X光篇在癌症检测中的重要作用?麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员把希望寄托于人工智能。
麻省理工学院的Regina Barzilay自己就是乳腺癌的幸存者,她表示:“当数据有这么多的不确定性时,机器学习就是我们用来改进检测和防止过度治疗的工具。”
在关于600多个现有高风险病变的病例训练后,该模型在许多不同的数据元素中寻找模式,包括人口统计学,家族史,过去的活检和病理报告。
哈佛医学院教授,乳腺成像专家Constance Lehman说:“据我们所知,这是第一个将机器学习应用于区分需要手术的高风险病变的研究。“我们相信这可以帮助女性更有针对性的治疗。”
该研究已发表在放射医学杂志上。
▍如何运行
当乳房X光片检测到可疑病变时,可以利用针刺活检确定其是否是癌症。大约70%的病变是良性的,20%是恶性的,10%是高危病变。
医生以不同的方式管理高危病变。有些医生会直接进行手术,而其他医生仅对具有较高癌症发生率的病变进行手术,例如“乳腺导管非典型性增生”(ADH)或“小叶原位癌”(LCIS)。
第一种手术方法耗时且昂贵,患者会很痛苦,通常可避免; 第二种方法是不精确的,可能导致ADH和LCIS以外的高风险病变缺失癌症。
使用称为“随机森林分类器”的方法,与总是做手术的策略相比,该团队的模型可降低手术的发生率,同时还能够诊断更多的癌性病变,而不是仅仅对传统的“高危病变”进行手术(相比之下,新模型可精确诊断出97%的癌症,而非之前的79%)。
加利福尼亚大学旧金山分校放射学和生物医学影像系临床信息学主任Marc Kohli说:“这项工作使用机器学习技术,是避免不必要手术的一个典型案例。“这是医学界接受机器学习迈出的第一步。”
Lehman说,MGH放射科医生将在明年开始将模型纳入其临床实践。
展望未来,该模型也可以轻易地被调整到完全适用于其他类型的癌症甚至其他疾病。
Barzilay说:“像这样一个模型,只要你将很多不同的因素与特定的结果相关联,就会发挥作用。“希望能让我们开始超越一刀切的医疗诊断方法。”
Paper:/doi/abs/10.1148/radiol.170549
★推荐阅读★
华为新品手机发布会全程回顾
超级计算机图像识别率达人类医生水平
一文读懂语音识别史
打造百度AI大脑的80后科学家
斯坦福发布3D街景数据集
搜狗招股书90次提到AI,王小川持股超10亿
谷歌重磅发布43页Waymo无人车报告
3行Python代码完成人脸识别
人工智能将赋能所有行业
初学者必读的八个趣味机器学习项目
AMD深度学习开源战略
长期招聘志愿者
加入「AI从业者社群」请备注个人信息
添加小鸡微信 liulailiuwang