新人工智能通过分析乳腺组织密度来检测乳腺癌

在美国，乳腺癌的死亡率明显高于除肺癌以外的任何其他类型的癌症（女性）。根据breastcancer.org 的数据，美国约有12.4% 的女性在其一生中会患上浸润性乳腺癌。

乳房 X 光检查是一种利用低功率 X 射线分析人体乳房以进行筛查和诊断的方法。然而，致密的组织可能会掩盖乳房 X 光照片上的癌症，从而使这一过程变得困难。通常，乳房密度的评估取决于主观的人类评估。由于多种因素，结果因放射科医生而异。

现在，马萨诸塞州综合医院 (MGH) 和麻省理工学院的研究人员已经构建了一种自动化工具，可以准确分析乳房 X 光照片中的致密乳房组织。这是一个深度学习模型，在数以万计的高清数字乳房 X 光照片上进行训练，从而可以学习如何区分不同种类的乳房组织。

给定一张新的乳房 X 线照片，这些工具可以检测出与放射科专家一样可靠的密度测量值。这组作者说，这是同类中第一个在医院患者身上成功演示的人工智能。他们相信这项技术可以在全国范围内广泛应用，并将为乳房组织评估带来更高的可靠性。

该工具基于卷积神经网络，该网络由具有可学习权重和偏差的神经元组成。他们在包含从 2009 年到 2011 年筛选的 39,000 名女性中随机抽取的 58,000 多张乳房 X 线照片的丰富数据集上训练和测试网络。其中大约 41,000 张用于训练，8,600 张用于测试。

每个人口统计图像包含 4 组的标准 BI-RAIDS（乳房成像报告和数据系统）密度评级：

在训练和测试阶段，近 40% 被评为密集和异构。在整个训练阶段，网络会收到随机的乳房 X 光照片以进行评估。它逐渐学会以与专家的密度评级密切一致的方式绘制乳房 X 光照片。

例如，脂肪乳房组织网络看起来更薄，灰色区域贯穿始终，而致密的乳房由纤维和腺体结缔组织组成，表现为紧密堆积的白色实心斑块和粗白线网络。在测试阶段，网络会查看新的乳房 X 光照片并估计最可能的密度组。

参考：北美放射学会放射学 | doi:10.1148/radiol.2018180694 |麻省理工学院

该工具在 MGH 的乳房成像部门实施，并安装在一台孤立的机器上。通常，生成乳房 X 光照片并将其发送到设施进行评估，该评估由放射科专家执行。在所有必要的调查之后，他/她会为每个乳房 X 光照片分配一个密度等级。

当专家在他们的设施中进行扫描时，他们会看到这个深度学习工具分配的评分，他们可以进一步拒绝或接受。

该网络处理一张乳房 X 光照片只需不到一秒钟的时间，并且可以扩展到全市的医院，而无需花费大量资金和大量人力。

放射科医师评估与二进制测试的深度学习 (DL) 评估 |研究人员提供

2018 年 1 月至 5 月期间，该网络观察了 10,000 多张乳房 X 线照片，在一项二进制测试中，专家之间的一致性达到了 94%，他们必须确定乳房是致密不均匀还是分散和脂肪。对于所有 4 个 BI-RAIDS 组，90% 的时间都与专家意见一致。

放射科医师评估与 4 个 BI-RAIDS 组的深度学习 (DL) 评估 |研究人员提供

在一般测试中（基于训练数据集），网络在二进制测试中与放射科医生的解释匹配率为 87%，在 4 个 BI-RADS 组中为 77%。

阅读：AI 可以闻出人类呼吸中的疾病 |包括不同的癌症

传统的预测技术使用名为 kappa 分数的度量，其中 1 表示估计每次都一致，较低的值表示较少的一致情况。对于现有方法，Kappa 得分高达 0.6，而对于新模型，它在临床应用中达到 0.85，在一般测试中达到 0.76。这清楚地表明，新工具比传统技术做出了更好的估计。

工业技术