AI突破：1秒乳腺X光分析通过组织密度检测乳腺癌风险

美国乳腺癌死亡率显著高于除肺癌外的任何其他癌症（女性）。据breastcancer.org数据，约12.4%美国女性一生中会患浸润性乳腺癌。

乳腺X光摄影利用低能X射线分析人乳房进行筛查和诊断。但致密组织会在乳腺X光片上掩盖癌症，增加诊断难度。通常乳腺密度评估依赖主观人工判断，因多种因素导致不同放射科医生结果差异大。

马萨诸塞州总医院 (MGH) 和麻省理工学院研究人员构建自动化工具，准确分析乳腺X光片中致密乳腺组织。这是一个深度学习模型，在数万张高清数字乳腺X光片上训练，学会区分不同类型乳腺组织。

给定新乳腺X光图像，工具可给出与专家放射科医生同样可靠的密度测量。作者称这是首个在医院患者身上成功验证的同类AI，相信该技术可在全国广泛实施，提高乳腺组织评估可靠性。

工具基于卷积神经网络，由具有可学习权重和偏置的神经元组成。在包含58,000多张乳腺X光图像的丰富数据集上训练和测试，图像随机取自2009-2011年筛查的39,000名女性。约41,000张用于训练，8,600张用于测试。

每张人口统计图像包含标准BI-RADS（乳腺影像报告和数据系统）四级密度评级：

训练和测试阶段近40%评为致密和不均匀致密。训练阶段网络输入随机乳腺X光图像评估，逐渐学会将乳腺X光映射为与专家密度评级高度一致的方式。

例如，脂肪型乳腺组织网络呈现较薄且灰度区域贯穿，而致密乳房由纤维和腺体结缔组织组成，呈现紧密堆积的实心白斑和粗白线网络。测试阶段网络看到新乳腺X光图像并估算最可能的密度组别。

参考：RSNA Radiology | doi:10.1148/radiol.2018180694 | MIT

工具部署在MGH乳腺影像科，安装在隔离机器上。通常乳腺X光片生成后送设施评估，由专家放射科医生完成必要检查后分配密度评级。

专家在设施调取扫描时，将看到深度学习工具分配的评级，可进一步接受或拒绝。

网络处理一张乳腺X光片耗时不到1秒，可在城市医院大规模部署，无需巨额资金和大量人力。

放射科医生评估 vs 深度学习 (DL) 评估（二分类测试） | 研究人员提供

2018年1月至5月，网络观察超10,000张乳腺X光图像，在二分类测试中（判断乳房为致密/不均匀致密或散在/脂肪）与专家一致率达94%。在全部4个BI-RADS组别中，与专家意见一致率90%。

放射科医生评估 vs 深度学习 (DL) 评估（4个BI-RADS组别） | 研究人员提供

一般测试（基于训练数据集）中，网络在二分类测试中与放射科医生解释一致率87%，4个BI-RADS组别中一致率77%。

传统预测技术使用Kappa指标，1代表估计完全一致，值越低一致情况越少。现有方法Kappa分数最高0.6，新模型临床应用达0.85，一般测试达0.76，明显优于传统技术。

工业技术