《电子技术应用》

MIT使用人工智能改善早期乳腺癌诊断

2017/11/14 12:34:49

  每年,仅仅在美国就有40,000女性因乳腺癌死亡。当癌症在早期阶段得到发现,它们往往就可以被治愈。乳房X光检查是一个最佳的可选诊断方法,但是这种方法也有不足之处,它经常会得到假阳性的结果,从而导致不必要的手术。

  常见的导致假阳性的原因称之为“高风险”病变,在X光检查上看上去非常可疑,而生物活检中也能看到异常的细胞。在这种情况下,患者通常会通过手术去除病变;然而,在90%的情况中病变是良性的。这意味着每年数千位女性所经受的痛苦、昂贵的治疗、术后的疤痕都是不必要的。

  然而,必要的手术是否能够很好的消除,而同时保留X光检查在癌症监测中的重要角色。来自MIT计算机科学和人工智能实验室(CSAIL)、马萨诸塞州总医院(MGH),以及哈佛医学院的研究人员认为答案在人工智能(AI)。他们联合发表了一篇文章在最近的《 Radiology》杂志上。

  77a808d01dc60a19ac51eb8e967dba67.png

  左至右:麻萨诸塞州医院乳房成像奖学金项目主任Manisha Bahl;麻省理工学院教授Regina Barzilay;Constance Lehman,哈佛医学院教授,MGH放射科的乳房成像部门主任。

  团队联合开发了一个AI系统,使用机器算法来预测在乳房X光检测后术后,针刺活检确定高风险病变在手术时是否升级为癌症。通过超过600个现有的高风险病变信息的训练,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,过去的活检和病理学报告。对335对高风险病变进行测试,模型能够正确诊断97%的乳腺癌为恶性,与现在的长队检测方法相比能够减少超过30%的良性手术数量。

  “由于诊断工具如此不精确,医生过度筛查乳腺癌是一个可以理解的趋势,”麻省理工学院电气工程与计算机科学教授Regina Barzilay,她也是一位乳腺癌幸存者。“当数据中有很大的不确定性时,机器学习正是我们所需要的工具,用于改善发现及防止过度治疗。”

  “据我们所知,这是首个使用机器学习来区分高风险病变哪些需要手术而哪些不需要的研究”,哈佛大学医学院教授, MGH放射科乳腺成像科主任,合作者Constance Lehman表示,“我们认为可以帮助女性对她们的治疗做出更明智的决定,以及我们可以提供更具有针对性的健康护理。”

  那么机器学习究竟是如何达到上述的目标的呢?

  当一个X光成像发现了一个可疑的病变,针刺活检用来确认它是否是癌症。大约70%的病变是良性的,20%是恶性的,10%是高风险病变。

  医生处理高风险病变的方式有所不同。有些在所有情况中都会采用手术,而另一些只在病变具有高度癌症化概率的情况下进行手术,例如“非典型性导管增生”(ADH)或“小叶原位癌”(LCIS)。

  第一种途径需要患者经受痛苦、耗时并且昂贵的手术,而且可能是不必要的;而第二种则不够精确,可能会导致遗漏一些ADH和LCIS外的癌症高风险的病变。

  “绝大多数具有高风险病变的患者并没有癌症,因而我们试图找到那些可以确认的,” MGH的放射科医师Bahl表示,“在这样的情况下,当你试图增加你能识别的癌症的数量时,你也会增加你发现假阳性的数量。”

  团队使用一种被称为“随机森林分类器”的方法,该团队所开发的模型相比于总是做手术的策略避免了不必要的手术,同时也能诊断出更多的癌症病变,而不是只在传统的“高危病变”上做手术的策略。尤其是,新模型诊断了97%的癌症,而传统手段只有79%。

  Lehman说:“过去,我们可能建议将所有高风险病灶切除。但是现在,如果模型确定病灶有很低的几率在特定的病人中发生癌变,我们就可以与病人就她的选择进行更详细的讨论。对于一些患者来说,他们的病灶是依据影像切除的而不是手术,是更为合理的。”

  明年MGH会将这个模型纳入临床实践,团队也在进一步努力使得模型更加完善。未来,这种机器学习有望用于更多的癌症治疗评估中,这对改变传统模式中很多“一刀切”的做法将有着更多的帮助和参考意义。


继续阅读>>