新的人工智能方法增强了乳房X光检查的乳腺癌风险预测

　　

圣路易斯华盛顿大学医学院（Washington University School of Medicine）的一项新研究描述了一种分析乳房x光照片的创新方法，该方法显著提高了预测未来五年乳腺癌发展风险的准确性。使用长达三年的乳房x光检查，新方法识别出乳腺癌高危人群的准确率是标准方法的2.3倍。标准方法仅基于评估临床风险因素的问卷调查，如年龄、种族和乳腺癌家族史。

这项研究发表在12月5日的《JCO临床癌症信息学》杂志上。

“我们正在寻找改善早期发现的方法，因为这增加了成功治疗的机会。这种改进的风险预测也可能有助于围绕预防的研究，这样我们就可以为属于高风险类别的女性找到更好的方法，降低她们五年内患乳腺癌的风险。”Graham A. Colditz博士说。

这种风险预测方法建立在由Colditz和第一作者Shu (Joy) Jiang博士领导的过去研究的基础上，Shu (Joy) Jiang博士是一名统计学家、数据科学家和华盛顿大学医学院公共卫生科学系的外科副教授。研究人员表明，先前的乳房x光检查包含了大量关于乳腺癌发展早期迹象的信息，这些信息即使是训练有素的人眼也无法察觉。这些信息包括乳房密度随时间的细微变化，这是乳房中纤维组织和脂肪组织相对数量的测量。

在这项新研究中，研究小组建立了一个基于人工智能的算法，该算法可以识别乳房x光检查的细微差异，并帮助识别在特定时间段内患新乳房肿瘤风险最高的女性。除了乳房密度，他们的机器学习工具还会考虑图像中其他模式的变化，包括乳房的纹理、钙化和不对称。

蒋教授说：“我们的新方法能够在重复的乳房x光照片中发现肉眼看不到的细微变化。”然而，这些变化包含了丰富的信息，可以帮助识别高危人群。

目前，降低风险的选择有限，可能包括他莫昔芬等降低风险但可能有不良副作用的药物。大多数时候，高风险的女性会得到更频繁的筛查，或者选择增加另一种成像方法，比如核磁共振成像（MRI），以尽可能早地发现癌症。

“今天，我们没有办法根据乳房x光照片来知道谁将来可能患乳腺癌，”合著者黛比·l·贝内特医学博士说，她是华盛顿大学医学院马林克罗特放射学研究所的放射学副教授和乳腺成像主任。“这项研究令人兴奋的地方在于，它表明有可能使用这种算法从当前和以前的乳房x光检查中收集这些信息。预测永远不会完美，但这项研究表明，新算法比我们目前的方法要好得多。”

人工智能改善了乳腺癌发展的预测

研究人员在2008年至2012年期间通过Siteman癌症中心接受乳腺癌筛查的1万多名女性的乳房x光照片上训练了他们的机器学习算法。这些人被跟踪到2020年，在此期间，478人被诊断出患有乳腺癌。

然后，研究人员将他们的方法应用于预测另一组患者的乳腺癌风险。从2013年到2020年，在亚特兰大地区的埃默里大学接受乳房x光检查的1.8万多名女性。随后，在2020年结束的随访期间，332名女性被诊断出患有乳腺癌。

根据新的预测模型，在接下来的五年里，高风险组的女性被诊断为乳腺癌的可能性是低风险组的21倍。在高风险组中，每1000名接受筛查的女性中有53人在接下来的五年里患上了乳腺癌。相比之下，在低风险组中，每1000名接受筛查的女性中有2.6名在接下来的5年里患上了乳腺癌。在旧的基于问卷的方法下，每1000名被筛查的女性中只有23名被正确归类为高风险群体，这提供了证据，证明在这种情况下，旧的方法错过了新方法发现的30例乳腺癌病例。

乳房x光检查是在学术医疗中心和社区诊所进行的，这表明该方法的准确性在各种情况下都是有效的。重要的是，该算法具有黑人女性的强大代表性，而黑人女性在乳腺癌风险模型的开发中通常代表性不足。预测风险的准确性在不同种族群体中保持不变。在Siteman筛选的女性中，大多数是白人，27%是黑人。在通过埃默里大学筛选的学生中，42%是黑人。

在正在进行的工作中，研究人员正在不同种族和民族背景的女性中测试该算法，包括亚洲、东南亚和美洲原住民后裔，以帮助确保该方法对每个人都同样准确。

研究人员正在与华盛顿大学技术管理办公室合作，为这种新方法申请专利和许可，目标是在任何提供乳房x光检查的地方推广这种方法。Colditz和Jiang也正致力于围绕这项技术成立一家初创公司。