MIT部署深度学习工具 更准确分析X光片助力乳癌筛查

根据分析乳房 X 光片，不同的放射科医生所读取的乳房密度有很大差异，而乳房密度则是表明患者是否有患乳腺癌的风险的评估指标。

研究发现，放射科医生将乳房 X 光片中介于 6% 和 85% 之间的任何区域分类为“不均匀致密型”或“极度致密型”癌症高风险区域。

麻省理工的研究人员使用神经网络减少放射科医生对乳房 X 光片解读的这种差异。

他们的深度学习模型由放射科医生在麻省总医院的筛查中心使用。研究人员表示，这是首次在大规模临床实践的日常工作流程中部署这样的模型。

更好地了解风险

在美国，每年会执行大约 3300 万次筛查性乳房 X 光检查。这些筛查能够在任何相关症状出现之前揭示乳腺癌的存在，但是还包括另一个重要评估：乳房组织密度。

在评估乳房 X 光片时，放射科医生根据乳房组织的密度和分布，将扫描结果分为四个部分：脂肪型、散布、不均匀致密型或极度致密型。

后两类是需要多加注意的。如果乳房 X 光片评估为其中一种，意味着高密度、支持性的乳房组织所占的比例较高。与脂肪组织不同，乳房 X 光片上的支持性组织看起来不那么透明，这使乳房的其他部位变得模糊，更难发现异常情况。

它也是独立的癌症风险因素，具有高乳房密度的女性患乳房癌的可能性比低乳房密度的女性高四到五倍。

在美国，大约一半年龄在 40 到 74 岁之间的女性被评估为乳房致密，这意味着长期看来，由于患乳腺癌的风险较高，她们可能需要接受 MRI 等其他筛查方法。

深度学习有助于向病患提供非常一致的筛查结果，便于其更好地了解风险。

乳房密度是整体特征，是基于完整的乳房 X 光片衡量的属性。这就更易于神经网络对其进行分析，麻省理工研究生和论文合著者 Kyle Swanson 说。

该团队在成千上万张带标记的数字乳房 X 光片（由不同的放射科医生进行评估）上对其深度学习工具进行了训练。

结果是，神经网络的乳房x光检查评估与多名放射科医生的共识读数比任何一位医生都要接近。在临床环境中，这可以让放射科医生根据此一致评估对扫描结果做出判断。

将深度学习应用到临床

自 1 月开始，麻省总医院筛查中心的放射科医生便已经开始在其临床工作流程中使用深度学习模型。分析乳房 X 光片时，放射科医生会看到深度学习模型做出的评估，并决定是否与其保持一致意见。

为评估模型是否成功，研究人员记录下了在 10,000 多次神经网络评估的扫描中，参与解释的放射科医生接受其评估结果的次数。

在放射科医生事先没有看到模型的判断直接读取乳房 X 光片时，其评估有 87% 的情况与神经网络一致。但是如果先看到深度学习评估，乳房 X 光摄影师有 94% 的情况与模型一致。

论文结果显示，深度学习模型能够以资深放射科医生的水平读取扫描，并提高密度评估的一致性。其他不使用深度学习的自动化方法也与放射科医生不一致，Yala 说。

到目前为止，放射科医生已在约 18,000 次乳房 X 光片评估中使用深度学习模型。研究人员使用NVIDIA GPU训练其卷积神经网络，该网络使用 PyTorch 深度学习框架开发得出。

Yala 说道，他们的目标是减少在此主观判断中的变动量，确保病患得到正确的风险评估。

他说：“这应该与运气无关，每个人都应该向您交付相同的评估结果。”

密度评估只是第一步，研究人员还在研究深度学习工具，以便提前 5 年检测出哪些患者患癌症的风险较高。