據麻省理工學院網站報道，該校計算機科學與人工智能實驗室開發了可改善早期乳腺癌檢測的相關模型，可以減少誤報和不必要的手術。在接下來的一年，麻省總醫院的放射科醫生將首先將模型轉化為臨床實踐。

僅在美國每年就有4萬名女性死于乳腺癌。如果能及早發現，癌癥通常都能治愈。乳房X光檢查是目前最佳的檢測，但這種方法仍不是十全十美的，經常出現假陽性結果，導致了不必要的活檢和手術。

假陽性的一個常見原因是所謂的“高風險”病變，有乳房X光檢查中顯得很可疑，在穿刺活檢時有異常細胞。這種情況下，患者通常會通過手術去除這一病變；但是，90%的時間里，該病變在手術時發現是良性的。這意味著每年有上千名女性經歷了痛苦、昂貴的手術，留下疤痕，而這種手術甚至并不必要。

那么，在癌癥檢測中如何既能排除不必要的手術又能發揮乳房X光檢查的重要作用呢？美國麻省理工學院計算機科學與人工智能實驗室(CSAIL)、麻省總醫院（Massachusetts General Hospital）和哈佛醫學院（Harvard Medical School）的研究人員認為解決辦法是尋求人工智能的支持。

作為首個應用人工智能來改善檢測和診斷的項目，該研究團隊聯合開發了一個人工智能系統，利用機器學習來預測經乳房X光檢查、穿刺活檢發現的高風險病變在手術時是否會升級成癌癥。

該模型在335處高風險病變上進行了測試，正確診斷了97%的乳腺癌為惡性，與現有方法相比，將良性手術的數量降低了30%。“由于診斷工具很不精確，醫生越來越過度篩查乳腺癌，這是可以理解的。”一名研究人員表示，同時，她也是一名乳腺癌幸存者。“數據中的不確定性太多了，這時機器學習就正是我們改善檢測、防止過度治療所需的工具。”

該模型接受了600多個現有高風險病變信息的訓練，在人口統計學、家族史、過去活檢和病理報告等多個不同的數據元素中尋找特征。

“據我們所知，這是運用機器學習來辨別需要手術和無需手術的高風險病變的第一個研究。”研究人員表示，“我們認為，這能有助于女性對其治療作出更明智的決定，我們能夠為醫療保健提供更有針對性的方法。”描述該研究結果的文章于2017年10月16日發表在醫學期刊《放射學》（Radiology）上。

如果乳房X光檢查發現了一處疑似病變，則進行穿刺活檢確定其是否是癌癥。約70%的病變為良性，20%為惡性，10%為高風險病變。

醫生處理高風險病變的方式不盡相同。有些對所有病例進行手術，有些則只對患癌率高的病變進行手術，例如非典型性導管增生(ADH)或者小葉原位癌(LCIS)。

第一種方式會讓患者經歷痛苦、耗時且昂貴的手術，而這種手術通常是不必要的；第二種方式不準確，可能導致漏診了非典型性導管增生和小葉原位癌之外的高風險病變相關的其他癌癥。

“具有高風險病變的絕大多數患者都沒有癌癥，我們正在努力找出那些少數。”麻省總醫院放射科的醫生表示。“在這種情況下，總是存在著風險——如果我們努力提高能確診的癌癥數量，我們會發現假陽性數量也增加了。”

利用“隨機森林分類器”（random-forest classifier）這種方法，該研究團隊的模型實現了不必要手術數量比“總是做手術”這種策略的少，能診斷出的癌性病變數量比“只基于傳統的高風險病變進行手術”這種方法多。（具體而言，該新模型診斷出97%的癌癥，而后者只有79%。）

“該工作是利用前沿機器學習技術來避免不必要手術的范例。”美國加利福尼亞大學舊金山分校（University of California at San Francisco）的研究人員指出。“這是醫學界利用機器學習來確定人類發現不了的模式和趨勢邁出的第一步。”

研究團隊表示，從2018年開始麻省總醫院的放射科醫生將會把該模型應用于臨床實踐。“過去，我們可能會建議所有的高風險病變都通過手術切除。”該研究人員說，“但現在，如果這個模型確定某名患者的病變屬于癌癥的概率很低，我們就掌握了更多的信息與患者討論她的選擇。對于有些患者來說，對其病變進行影像學方面的隨診比手術切除更合理。”

該團隊表示仍在努力進一步優化該模型。“在未來的工作中，我們希望能加入真實的乳房X光檢查圖像和病理切片圖像，以及來自病歷的更詳細患者信息。”研究人員說。隨著研究的推進，該模型也可能很容易地調整用于其他類型的癌癥，甚至其他疾病。“如果我們有與某一結果相關的多個不同因子，這類模型就能工作。”研究人員說，“在它的幫助下，我們有望改變醫療診斷中的‘一刀切’方法。”