根據(jù)分析乳房X光片，不同的放射科醫(yī)生所讀取的乳房密度有很大差異，而乳房密度則是表明患者是否有患乳腺癌的風險的評估指標。

研究發(fā)現(xiàn)，放射科醫(yī)生將乳房X光片中介于6%和85%之間的任何區(qū)域分類為“不均勻致密型”或“極度致密型”癌癥高風險區(qū)域。

麻省理工的研究人員使用神經(jīng)網(wǎng)絡減少放射科醫(yī)生對乳房X光片解讀的這種差異。

他們的深度學習模型由放射科醫(yī)生在麻省總醫(yī)院的篩查中心使用。研究人員表示，這是首次在大規(guī)模臨床實踐的日常工作流程中部署這樣的模型。

更好地了解風險

在美國，每年會執(zhí)行大約3300萬次篩查性乳房X光檢查。這些篩查能夠在任何相關癥狀出現(xiàn)之前揭示乳腺癌的存在，但是還包括另一個重要評估：乳房組織密度。

在評估乳房X光片時，放射科醫(yī)生根據(jù)乳房組織的密度和分布，將掃描結果分為四個部分：脂肪型、散布、不均勻致密型或極度致密型。

后兩類是需要多加注意的。如果乳房X光片評估為其中一種，意味著高密度、支持性的乳房組織所占的比例較高。與脂肪組織不同，乳房X光片上的支持性組織看起來不那么透明，這使乳房的其他部位變得模糊，更難發(fā)現(xiàn)異常情況。

它也是獨立的癌癥風險因素，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。

在美國，大約一半年齡在40到74歲之間的女性被評估為乳房致密，這意味著長期看來，由于患乳腺癌的風險較高，她們可能需要接受MRI等其他篩查方法。

深度學習有助于向病患提供非常一致的篩查結果，便于其更好地了解風險。

乳房密度是整體特征，是基于完整的乳房X光片衡量的屬性。這就更易于神經(jīng)網(wǎng)絡對其進行分析，麻省理工研究生和論文合著者Kyle Swanson說。

該團隊在成千上萬張帶標記的數(shù)字乳房X光片（由不同的放射科醫(yī)生進行評估）上對其深度學習工具進行了訓練。

結果是，神經(jīng)網(wǎng)絡的乳房X光檢查評估與多名放射科醫(yī)生的共識讀數(shù)比任何一位醫(yī)生都要接近。在臨床環(huán)境中，這可以讓放射科醫(yī)生根據(jù)此一致評估對掃描結果做出判斷。

將深度學習應用到臨床

自1月開始，麻省總醫(yī)院篩查中心的放射科醫(yī)生便已經(jīng)開始在其臨床工作流程中使用深度學習模型。分析乳房X光片時，放射科醫(yī)生會看到深度學習模型做出的評估，并決定是否與其保持一致意見。

為評估模型是否成功，研究人員記錄下了在10,000多次神經(jīng)網(wǎng)絡評估的掃描中，參與解釋的放射科醫(yī)生接受其評估結果的次數(shù)。

在放射科醫(yī)生事先沒有看到模型的判斷直接讀取乳房X光片時，其評估有87%的情況與神經(jīng)網(wǎng)絡一致。但是如果先看到深度學習評估，乳房X光攝影師有94%的情況與模型一致。

論文結果顯示，深度學習模型能夠以資深放射科醫(yī)生的水平讀取掃描，并提高密度評估的一致性。其他不使用深度學習的自動化方法也與放射科醫(yī)生不一致，Yala說。

到目前為止，放射科醫(yī)生已在約18,000次乳房X光片評估中使用深度學習模型。研究人員使用NVIDIA GPU訓練其卷積神經(jīng)網(wǎng)絡，該網(wǎng)絡使用PyTorch深度學習框架開發(fā)得出。

Yala說道，他們的目標是減少在此主觀判斷中的變動量，確保病患得到正確的風險評估。

他說：“這應該與運氣無關，每個人都應該向您交付相同的評估結果。”

密度評估只是第一步，研究人員還在研究深度學習工具，以便提前5年檢測出哪些患者患癌癥的風險較高。