深度学习模型估计乳房密度的癌症风险

乳腺癌是影响全世界妇女的最常见的癌症。根据美国癌症协会的数据，大约八分之一的美国女性在她们的一生中会患上乳腺癌。虽然不可能完全预防乳腺癌，但各种医疗机构建议定期进行筛查，以便在早期发现和治疗病例。乳腺密度，定义为乳腺内纤维腺组织的比例，通常用于评估患乳腺癌的风险。虽然有各种方法可用于估计这一措施，但研究表明，放射科医生基于视觉模拟量表进行的主观评估比任何其他方法都更准确。

作为专家评估乳腺密度对乳房起到至关重要的作用癌症风险评估，开发图像分析框架，可以自动估计这种风险，与经验丰富的放射科医生相同的准确性，是非常可取的。为此，由英国曼彻斯特大学的Susan M. Astley教授领导的研究人员最近开发并测试了一种新的基于深度学习的模型，该模型能够高精度地估计乳房密度。他们的研究结果发表在《科学》杂志上医学影像杂志。

Astley解释说:“基于深度学习的方法的优势在于，它可以从数据本身中自动提取特征。“这对乳房密度估计很有吸引力，因为我们并不完全理解为什么主观的专家判断比其他方法更有效。”

通常，训练深度学习模型医学图像分析由于数据集有限，这是一项具有挑战性的任务。然而，研究人员设法找到了解决这个问题的方法:他们没有从头开始构建模型，而是使用了两个独立的深度学习模型，这些模型最初是在ImageNet上训练的，ImageNet是一个拥有超过一百万张图像的非医学成像数据集。这种方法被称为“迁移学习”，使他们能够用更少的医学成像数据更有效地训练模型。

研究人员利用来自39,357名女性的专家(放射科医生、高级执业放射医师和乳腺内科医生)在视觉模拟尺度上分配的近160,000张全视场数字乳房x光照片的密度值，开发了一种估计每张乳房x光照片密度评分的程序。其目的是将乳房x光片图像作为输入，并产生密度评分作为输出。

该过程包括对图像进行预处理，使训练过程的计算强度降低，使用深度学习模型从处理后的图像中提取特征，将特征映射到一组密度分数，然后使用集成方法将分数组合起来，以产生最终的密度估计。

通过这种方法，研究人员开发了高度精确的模型来估计乳房密度及其与癌症风险的相关性，同时节省了计算时间和内存。阿斯特利说:“在不确定的范围内，该模型的表现与人类专家的表现相当。”“此外，它可以在小数据集或大数据集的子集上训练得更快。”

值得注意的是，深度迁移学习框架不仅对估计有用乳腺癌风险在没有放射科医生的情况下，也用于培训其他基于其的医学成像模型乳房组织密度估计。这反过来又可以提高癌症风险预测或图像分割等任务的性能。