深度学习人工智能更好地预测乳腺癌风险
新闻资讯
根据该杂志的一项新研究，与常用的临床风险因素相比，一种称为深度学习的复杂人工智能 (AI) 可以更好地区分以后会患乳腺癌和不会患乳腺癌的女性的乳房 X 线照片 放射学。研究人员表示，这些发现强调了人工智能作为放射科医生的第二个阅读器的潜力，可以减少不必要的成像和相关成本。
建议从40岁开始的女性每年进行一次乳房 X 光检查以筛查乳腺癌。研究表明，乳房X光检查通过降低晚期癌症的发病率来降低乳腺癌死亡率。
乳房X线照片不仅有助于检测癌症，还可以通过测量乳房密度来衡量乳腺癌风险。虽然乳房X光检查中较致密的乳房与较高的癌症风险相关，但乳房 X 光检查中隐藏的其他未知因素可能会导致风险。
“使用临床风险因素进行乳腺癌风险评估的传统方法并没有那么有效，”该研究的主要作者、太平洋地区人口科学计划（流行病学）教授兼研究员 John A. Shepherd 博士说。夏威夷大学癌症中心位于檀香山。“我们认为，图像中不仅有乳房密度，还有助于评估风险。”
在这项新研究中，Shepherd 博士及其同事使用了来自 6,369 名参与乳房 X 线摄影筛查的女性的 25,000 多张数字筛查乳房 X 线照片的数据集。超过 1,600 名女性患上了筛查发现的乳腺癌，351 人患上了间期浸润性乳腺癌。
研究人员对深度学习模型进行了训练，以在乳房 X 光照片中找到可能与癌症风险增加有关的细节或信号。当他们测试基于深度学习的模型时，它在评估间隔癌症风险的风险因素方面表现不佳，但在确定筛查检测到的癌症风险方面优于临床风险因素，包括乳房密度。
“结果表明，我们通过 AI 获得的额外信号为筛查检测到的癌症提供了更好的风险估计，”Shepherd 博士说。“它帮助我们实现了将女性分为低风险或高风险筛查乳腺癌的目标。”
这些发现对临床实践具有重要意义，在这些实践中，乳房密度单独指导许多管理决策。无需建议明年再次进行筛查，乳房 X 光检查阴性的女性可以按风险分为以下三种途径之一：乳腺癌风险低、筛查发现风险升高或未来三年间期浸润性癌升高，研究的平均随访时间。
“这将使我们能够利用女性的个人风险来确定应该多久监测一次，”Shepherd 博士说。“低风险女性可能不需要像乳腺癌高风险女性那样频繁地接受乳房 X 光检查。”
深度学习模型还有望支持有关使用 MRI 和其他方式进行额外成像的决策。Shepherd 博士说，高风险深度学习组中的女性也有致密的乳房，并且患间期癌的风险较高，他们可能会从监测策略中获益最多，其中包括保持致密乳房敏感度的补充成像，如 MRI、超声和分子成像。间期癌症通常具有更具侵袭性的肿瘤生物学，并且通常在晚期发现。
与最近的其他研究一起，这项新研究支持人工智能与临床风险因素在乳腺癌风险评估中的作用。
“通过根据在图像中看到癌症的概率对乳房 X 光照片进行排名，人工智能将成为一种强大的二次阅读工具，帮助对乳房 X 光照片进行分类，”Shepherd 博士说。
研究人员正计划在夏威夷原住民和太平洋岛民女性中复制这项研究，这两个群体在乳腺癌研究中的代表性不足。他们还希望将工作扩展到癌症风险之外，以研究不同级别乳腺癌的风险，从最低到最高。