IT思维

公众号/大数据文摘（BigDataDigest）

大数据文摘出品

来源：engadget

翻译：在赤道的熊猫

越来越广泛的医疗保健应用在使用人工智能和机器学习系统，比如协助医生进行医学图像诊断。这些系统能够理解X射线并能快速生成MRI，有时甚至可以发现COVID病例。

这些系统已被证明可以有效地发现乳腺癌的早期征兆，甚至一些可能被放射线医生漏掉的征兆。Google，IBM，世界各地的医学中心和大学里的研究团队，都在开发这种诊断癌症的算法。

这些系统可以和放射科医生一样发现令人担忧的肿块，而且可以比训练它们的人“明显的”更好地预测疾病未来的发生。然而，与白人相比，多于43%的黑人和棕色人死于乳腺癌，但许多医学AI成像系统对于他们的预测结果却明显不那么准确。

“非裔美国女性依旧在年轻时发现乳腺癌，而且往往处于晚期。” 马萨诸塞州总医院的乳腺外科医师Salewai Oseni在最近的一份新闻声明中说：“加上这些人群中三阴性乳腺癌的发生率较高，导致乳腺癌死亡率增加。”

在过去两年中，麻省理工的 CSAIL团队和Abdul Latif Jameel卫生机器学习诊所的研究人员致力于开发新的深度学习系统。该系统能够仅利用患者的乳房X光照片来预测患者的癌症风险。据报道，对不同种族或民族的预测准确性一致。

昵称为Mirai的算法（不要与Toyota的Fuel Cell EV混淆），能够对“患者在未来多个时间点的风险”进行建模，同时考虑到细微的差异，甚至可以模拟出诊所的乳房X光照片机的品牌，麻省理工学院周三发布的消息说说道，其他临床风险因素（例如年龄或家族史）可以用来来进一步优化这个算法。

CSAIL团队最初使用来自马萨诸塞州总医院（MGH）的200,000个考试数据集对Mirai进行了训练，然后通过瑞典Karolinska研究所和台湾长庚纪念医院提供的其他数据集验证预测结果。到目前为止，结果令人鼓舞。

结果表明，相比于目前研究中使用的的诊断性的Tyrer-Cuzick模型，对所有三个数据组的患者预测时，Mirai每次的预测癌症风险都“准确得多”。而且对高风险组中潜在癌症病例，Maria有高出两倍的准确率。

为了确保Mirai建议的一致性，CSAIL团队通过在对抗网络中运行算法来消除算法的偏见，来区分重要的乳房X线照片机和由较小的随机环境差异（例如乳房X线照片机的型号）引起的问题。

“改善的乳腺癌风险模型可以使用有针对性的筛查策略，来实现比现有指南更早发现并降低筛查危害的方法。” CSAIL团队即将开始的Science Translational Medicine 的研究作者Adam Yala表示“我们的目标是将这些先进的技术融入护理标准的一部分。”

这可以促进肿瘤学的发展。即使在该技术被广泛采用的60年后，现代的乳房X线照片仍然面临可靠性问题。专家们仍然在检查的频率上存在着争论，有些人主张采取更积极的策略以尽早发现癌变，而另一些人则主张延长常规检查之间的时间间隔以最大程度地减少假阳性率（而且减少患者的医疗费用）。

Mirai将通过乳房X线照片和其他因素（例如患者的年龄，遗传学，家族病史和乳房组织密度）来帮助医生确定哪些患者将从补充成像和MRI中受益最大（而且最公平）。

“我们知道MRI可以比乳房X线照相术更早地发现癌症，并且尽早发现可以改善患者的预后。“Yala解释说“但是对于癌症风险较低的患者，假阳性的风险可能会比收益大。通过改进的风险模型，我们可以设计出更加细致入微的风险筛查指南，从而为癌症患者提供更敏感的筛查（如MRI）来得到更有效的结果，同时减少对其他患者的不必要的检查和过度治疗。”

Mirai还考虑了在乳房X光照片中不一定显示出的风险因素，例如患者的年龄，激素水平和更年期状态。这些因素在训练阶段已根深蒂固，即使临床医生没有主动提供这些信息，这个模型也可以根据给定的乳房X线照片对它们进行预测。

展望未来，Mirai可能会在其他医疗应用中得到使用，从而使社区受益。尽管该系统可能无法分析患者现有的成像结果历史并将其整合到评估中，但它可以在其他X射线/ MRI的基础上进一步进行构建。这个团队还在考虑整合断层合成技术来进一步提高Mirai的统计能力。CSAIL团队还与Emory大学的研究人员合作来进一步验证这个模型。

相关报道：
https://www.engadget.com/mi-ts-oncological-risk-algorithm-calculates-cancer-chances-across-all-races-190033653.html