结合人工智能模型改善乳腺癌风险评估
根据北美放射学会 ( RSNA)杂志《放射学》上发表的一项研究，将人工智能 (AI) 系统与短期和长期乳腺癌风险相结合，可改善癌症风险评估)。
大多数乳腺癌筛查项目都采用一刀切的方法，并在确定女性终生患乳腺癌的风险时遵循相同的方案。使用基于乳房X光检查的深度学习模型可以提高乳腺癌风险评估的准确性，也可以实现早期诊断。
“大约十分之一的女性在一生中都会患上乳腺癌，”丹麦哥本哈根大学计算机科学系的研究作者 Andreas D. Lauritzen 博士说。“近年来，人工智能的研究目的是通过自动检测乳房X光检查中的乳腺癌并测量未来患乳腺癌的风险来早期诊断乳腺癌。”
有多种人工智能工具可以帮助检测癌症风险。诊断人工智能模型经过训练可以检测乳房 X 光检查中的可疑病变，非常适合估计短期乳腺癌风险。
更适合长期乳腺癌风险的是纹理人工智能模型，能够识别乳房密度。乳腺组织致密的女性患乳腺癌的风险较高，可能会受益于补充 MRI 筛查。
Lauritzen 博士说：“利用乳房 X 光筛查信息来可靠、稳健地评估乳腺癌风险非常重要。”
在这项研究中，Lauritzen 博士和他的研究团队试图确定市售的诊断人工智能工具和人工智能纹理模型(分别训练然后组合)是否可以改善乳腺癌风险评估。
研究人员使用了诊断人工智能工具 Transpara 和研究人员开发的纹理模型。使用包含 39,000 多个测试的荷兰训练集来训练模型。使用三层神经网络将短期和长期风险模型结合起来。
组合人工智能模型在一个由超过 119,000 名女性组成的研究小组中进行了测试，这些女性于 2012 年 11 月至 2015 年 12 月期间参加了丹麦首都地区的乳腺癌筛查计划。这些女性的平均年龄为 59 岁。
与单独的诊断模型和纹理模型相比，组合的人工智能模型显示出对间隔和长期癌症检测的风险评估总体改进。间隔期癌症是指在常规筛查之间发现的癌症。
该模型还能够识别乳腺癌高危女性。综合模型确定，综合风险最高 10% 的女性中，44.1% 为间期癌症，33.7% 为长期癌症。
使用人工智能通过单次乳房X光检查来识别女性患乳腺癌的风险，不仅可以实现早期癌症检测，还可以改善由于全球范围内专业乳腺放射科医生短缺而给医疗保健系统带来的压力。
Lauritzen 博士说：“当前最先进的临床风险模型需要进行多项测试，例如血液检查、基因测试、乳房 X 光检查和填写广泛的调查问卷，所有这些都会大大增加筛查诊所的工作量。” “使用我们的模型，可以以与临床风险模型相同的性能评估风险，但在筛查后几秒钟内即可进行评估，并且不会在诊所中引入开销。”
版权声明：本文由用户上传，如有侵权请联系删除！