Radiology：人工智能新科技给出答案：到底哪些乳腺高危病变最终将发展为乳腺癌？
2017-10-28 李皓静 肿瘤资讯
机器学习(Machine Learning， ML)是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。乳腺高危病变是一组临床、病理学和生物学上的异质性疾病，诊断之后乳腺癌发生的危险性增加，但危险程度和水平各异，临床意义与干预策略也不同。
机器学习(Machine Learning， ML)是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。乳腺高危病变是一组临床、病理学和生物学上的异质性疾病，诊断之后乳腺癌发生的危险性增加，但危险程度和水平各异，临床意义与干预策略也不同。看似“风马牛不相及”的“高科技”和乳腺癌之间到底存在着怎样的联系？来自美国哈佛医学院的研究者们给出了答案，这项研究结果最近发表在Radiology杂志上。
根据最近在放射学杂志上发表的一项新研究，机器学习工具可以协助医生确定哪些乳腺高危病变可能发展为乳腺癌。
乳腺高危病变包括多种类型的疾病，通过病理活确诊，存在这些病变的患者，罹患乳腺癌的风险增加。马萨诸塞州总医院（MGH）和波士顿哈佛医学院的专家表示，高危病变有很多不同的类型，大多数机构建议进行手术切除，如非典型性导管增生，其发展为恶性肿瘤的风险约为20％，因此目前临床上，面对高危病变，手术切除是最常用的应对手段。但是对于其他类型的高风险病变，文献报道的恶变风险有所不同，许多高危病变不会对患者的生命构成直接的威胁，并可以通过稳定随访、复查安全监测，从而节省患者与手术相关的成本，降低手术相关并发症的发生率。面对乳腺高危病变，患者应采取怎样的应对手段，包括是否应该手术切除病变，都应视具体情况而定。
Bahl博士及其同事在MGH研究了使用机器学习工具来识别发展为乳腺癌风险较低的乳腺高危病变。研究人员表示，该技术有可能减少不必要的手术。
参与该研究的麻省理工学院教授Regina Barzilay博士说：“由于目前的诊断工具不能做到完全精确，所以对乳腺癌进行筛查偶有过度是可以理解的。当数据有这么多的不确定性时，机器学习就是我们需要改进检测和防止过度治疗的工具。”
机器学习是一种人工智能科技，是指某些程序、模型根据以往的经验自动学习和改进。研究人员开发的程序会分析许多传统的危险因素，如患者年龄和病变组织学及一些独立因素，甚至包括活检病理报告中出现的单词。
研究者将一组患有经活检证实的术后或随访至少2年的乳腺高危病变患者作为研究对象，针对这组人群进行了模型的训练。最终研究人员发现，在纳入研究的1，006个乳腺高危病变患者中，115（11%）最终发展为乳腺癌。研究人员在2/3的乳腺高危病变人群中进行模型的机器学习培训后，对剩余的335个乳腺高危病变病变患者进行了研究。结果显示，该模型正确地预测了38个病变中的37个（97％）最终发展为乳腺癌。研究者还发现，在病理报告的文本中出现“严重”、“严重非典型”等词汇的的患者具有更高的几率罹患乳腺癌。由此研究人员得出结论，使用该模型将有助于避免近三分之一的良性病变实施手术治疗。
对于这一研究，哈佛医学院Lehman教授评价说，“这个研究提供了‘概念验证’，机器学习不仅可以在特定的人群中减少1/3不必要的手术，而且还可以支持更有针对性、个性化的患者护理方法。” Bahl博士补充说，“我们的目标是在临床中应用该工具，以协助医生判断哪些患者应当进行手术，而哪些患者应该进行观察，这有助于医生做出更明智的决定，我相信我们可以利用机器学习来通知临床决策，并最终改善患者护理。”
原始出处：
Manisha Bahl, et al. High-Risk Breast Lesions: A Machine Learning Model to Predict Pathologic Upgrade and Reduce Unnecessary Surgical Excision. Radiology. Oct 2017.
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
未来的热点方向.临床医生的替代者
91
AI
95
签到学习了--
74