深度学习可以预测女性患乳腺癌的风险

麻省总医院(Massachusetts General Hospital, MGH)的研究人员开发了一种深度学习模型，它可以识别乳房x光筛查中的成像生物标记物，从而比传统的风险评估工具更准确地预测患者罹患乳腺癌的风险。这项研究的结果在北美放射学会(RSNA)年会上公布。

“传统的风险评估模型没有利用乳房x线照片中包含的细节水平，”医学博士、理科硕士Leslie Lamb说，乳房放射科医生在MGH。“即使是现有的最优秀的传统风险模型也可能将患者的亚组分开，但在个体层面上并不那么精确。”

目前可用的风险评估模型只包含一小部分患者数据，如家族史、既往乳房活检、激素和生殖史。只有乳房x光筛查本身的一个特征——乳房密度——被纳入了传统模型。

MGH乳腺影像部主任、资深作者康斯坦斯·d·莱曼医学博士说:“既然每个女性的乳房x光片中都嵌入了如此丰富的数字数据，我们为什么要限制自己只关注乳房密度呢?”“每个女性的乳房x光片都是独一无二的，就像她的拇指指纹一样。它包含了能够高度预测未来的成像生物标记癌症风险，但在我们有深度学习的工具之前，我们无法提取这些信息来改善患者护理。”

兰姆博士和一组研究人员开发了新的深度学习算法，利用来自五个MGH乳腺癌筛查站点的数据来预测乳腺癌风险。该模型的研究对象包括有乳腺癌个人病史、植入物或既往做过活检的女性。

该研究包括245,753例连续二维数字双侧筛查乳房x光检查在2009年至2016年期间对80,818名患者进行了手术。在总计的乳房x光检查中，56831名患者中的210819次检查被用于培训，7021名患者中的25644次检查用于检测，3961名患者中的9290次检查用于验证。

通过统计分析，研究人员比较了深度学习图像模型和商业上可用的风险评估模型(Tyrer-Cuzick version 8)在预测乳房x线造影指数5年内未来乳腺癌方面的准确性。的深度学习模型实现了0.71的预测率，显著优于传统风险模型的0.61。

“我们的深度学习模型能够转化乳房x光片中微妙的生物标记物的多样性，这些生物标记物可以预测女性未来的风险。乳腺癌兰姆博士说。

兰姆博士说，新的深度学习模型已经在瑞典和台湾进行了外部验证，并计划对更多的非裔美国人和少数族裔进行进一步研究。

在MGH，当放射科医生读取患者的筛查乳房x光片时，可以通过报告软件获取深度学习风险信息。

“传统的风险模型获取和依赖不一致或缺失的数据可能非常耗时，”兰姆博士说。“只有深度学习图像的风险模型可以提供更准确、成本更低的风险评估，并帮助实现精准医疗的承诺。”

---

---