在美國，大約12％的女性會在一生中患上侵襲性乳腺癌，預(yù)計僅到2020年，就有26．8萬例新病例會被診斷出來。幸運(yùn)的是，根據(jù)美國癌癥協(xié)會的數(shù)據(jù)，5年平均生存率相當(dāng)高，為85－99％，而10年平均生存率可以達(dá)到83％。但和往常一樣，早期檢測是造成差異的因素。

在本月發(fā)表在《Radiology》雜志上的一篇論文中，位于以色列海法的IBM Research科學(xué)家詳細(xì)描述了一個人工智能模型，它能夠預(yù)測患者一年內(nèi)惡性乳腺癌的發(fā)展。同行評審的結(jié)果表明，他們的系統(tǒng)正確預(yù)測了癌癥和良性病例的發(fā)展分別為87％和77％。此外，它還接受了包含9611張乳房X光片和健康記錄的新數(shù)據(jù)庫的訓(xùn)練，能夠在48％的人身上識別出乳腺癌，而其他人則不會被標(biāo)記出來，其準(zhǔn)確度與放射科醫(yī)生相當(dāng)。

海法團(tuán)隊的工作建立在IBM蘇黎世辦事處和蘇黎世大學(xué)科學(xué)家進(jìn)行的一項(xiàng)研究的基礎(chǔ)上，該研究構(gòu)建了一個系統(tǒng)，可以檢測和分類腫瘤與免疫細(xì)胞以及它們之間的關(guān)系。谷歌、麻省理工學(xué)院和紐約大學(xué)也在努力提高乳腺癌篩查的準(zhǔn)確性。

“有一天，我們的模型可以幫助放射科醫(yī)生確認(rèn)或否認(rèn)乳腺癌陽性病例，”IBM研究員兼論文合著者M(jìn)ichal Chorev在一篇博客文章中寫道�！氨M管假陽性會造成巨大的壓力和焦慮，但假陰性往往會妨礙癌癥的早期發(fā)現(xiàn)和隨后的治療�！�

為了編輯一套訓(xùn)練數(shù)據(jù)集，Chorev和同事們收集了與患者電子健康記錄相關(guān)的臨床數(shù)據(jù)和生物標(biāo)志物相關(guān)的已識別乳腺造影圖像，包括（但不限于）甲狀腺功能、生殖史、白細(xì)胞概況、代謝綜合征和其他信息。他們把這些數(shù)據(jù)——也包括活組織檢查的隨訪、癌癥登記數(shù)據(jù)、實(shí)驗(yàn)室結(jié)果以及各種其他程序和診斷的代碼——輸入到一個機(jī)器學(xué)習(xí)模型中，該模型映射了臨床危險因素之間的聯(lián)系，以預(yù)測活組織惡性腫瘤，并區(qū)分正常和異常篩查檢查。

當(dāng)涉及到乳房X光掃描時，研究小組主要使用了來自以色列醫(yī)療服務(wù)提供商Maccabi Health Services和Assuta Medical Center的頭蓋骨（CC）和中外側(cè)斜位（MLO）的兩種乳房X光檢查標(biāo)準(zhǔn)視圖，這兩種視圖經(jīng)常在評估病變時進(jìn)行比較。最后，他們的數(shù)據(jù)集包含了52936張來自13234名女性的圖像，這些女性在2013至2017年間至少接受了一次乳房X光檢查，并且在乳房X光檢查之前至少有一年的健康記錄。

一種人工智能算法，針對每個預(yù)測任務(wù)對乳房X光片進(jìn)行訓(xùn)練，并提取這些任務(wù)以及每個視圖的成像任務(wù)的概率。最后，他們將成像特征以及整個臨床特征集合連接到一個單一的患者乳房的表示中。使用單獨(dú)的人工智能模型估計癌活檢陽性或正常／異常分化的最終概率。

研究人員說，他們的系統(tǒng)推測出可能導(dǎo)致風(fēng)險升高的臨床因素，但在之前的研究中沒有使用，如白細(xì)胞概況和甲狀腺功能測試�！拔覀冇媱澙^續(xù)分析這些臨床風(fēng)險因素，以更好地了解它們對個人個性化風(fēng)險的影響和聯(lián)系，”Chorev補(bǔ)充道。