公眾號/大數據文摘（BigDataDigest）

大數據文摘出品

來源：engadget

翻譯：在赤道的熊貓

越來越廣泛的醫療保健應用在使用人工智能和機器學習系統，比如協助醫生進行醫學圖像診斷。這些系統能夠理解X射線并能快速生成MRI，有時甚至可以發現COVID病例。

這些系統已被證明可以有效地發現乳腺癌的早期征兆，甚至一些可能被放射線醫生漏掉的征兆。Google，IBM，世界各地的醫學中心和大學里的研究團隊，都在開發這種診斷癌癥的算法。

這些系統可以和放射科醫生一樣發現令人擔憂的腫塊，而且可以比訓練它們的人“明顯的”更好地預測疾病未來的發生。然而，與白人相比，多于43%的黑人和棕色人死于乳腺癌，但許多醫學AI成像系統對于他們的預測結果卻明顯不那么準確。

“非裔美國女性依舊在年輕時發現乳腺癌，而且往往處于晚期。” 馬薩諸塞州總醫院的乳腺外科醫師Salewai Oseni在最近的一份新聞聲明中說：“加上這些人群中三陰性乳腺癌的發生率較高，導致乳腺癌死亡率增加。”

在過去兩年中，麻省理工的 CSAIL團隊和Abdul Latif Jameel衛生機器學習診所的研究人員致力于開發新的深度學習系統。該系統能夠僅利用患者的乳房X光照片來預測患者的癌癥風險。據報道，對不同種族或民族的預測準確性一致。

昵稱為Mirai的算法（不要與Toyota的Fuel Cell EV混淆），能夠對“患者在未來多個時間點的風險”進行建模，同時考慮到細微的差異，甚至可以模擬出診所的乳房X光照片機的品牌，麻省理工學院周三發布的消息說說道，其他臨床風險因素（例如年齡或家族史）可以用來來進一步優化這個算法。

CSAIL團隊最初使用來自馬薩諸塞州總醫院（MGH）的200,000個考試數據集對Mirai進行了訓練，然后通過瑞典Karolinska研究所和臺灣長庚紀念醫院提供的其他數據集驗證預測結果。到目前為止，結果令人鼓舞。

結果表明，相比于目前研究中使用的的診斷性的Tyrer-Cuzick模型，對所有三個數據組的患者預測時，Mirai每次的預測癌癥風險都“準確得多”。而且對高風險組中潛在癌癥病例，Maria有高出兩倍的準確率。

為了確保Mirai建議的一致性，CSAIL團隊通過在對抗網絡中運行算法來消除算法的偏見，來區分重要的乳房X線照片機和由較小的隨機環境差異（例如乳房X線照片機的型號）引起的問題。

“改善的乳腺癌風險模型可以使用有針對性的篩查策略，來實現比現有指南更早發現并降低篩查危害的方法。” CSAIL團隊即將開始的Science Translational Medicine 的研究作者Adam Yala表示“我們的目標是將這些先進的技術融入護理標準的一部分。”

這可以促進腫瘤學的發展。即使在該技術被廣泛采用的60年后，現代的乳房X線照片仍然面臨可靠性問題。專家們仍然在檢查的頻率上存在著爭論，有些人主張采取更積極的策略以盡早發現癌變，而另一些人則主張延長常規檢查之間的時間間隔以最大程度地減少假陽性率（而且減少患者的醫療費用）。

Mirai將通過乳房X線照片和其他因素（例如患者的年齡，遺傳學，家族病史和乳房組織密度）來幫助醫生確定哪些患者將從補充成像和MRI中受益最大（而且最公平）。

“我們知道MRI可以比乳房X線照相術更早地發現癌癥，并且盡早發現可以改善患者的預后。“Yala解釋說“但是對于癌癥風險較低的患者，假陽性的風險可能會比收益大。通過改進的風險模型，我們可以設計出更加細致入微的風險篩查指南，從而為癌癥患者提供更敏感的篩查（如MRI）來得到更有效的結果，同時減少對其他患者的不必要的檢查和過度治療。”

Mirai還考慮了在乳房X光照片中不一定顯示出的風險因素，例如患者的年齡，激素水平和更年期狀態。這些因素在訓練階段已根深蒂固，即使臨床醫生沒有主動提供這些信息，這個模型也可以根據給定的乳房X線照片對它們進行預測。

展望未來，Mirai可能會在其他醫療應用中得到使用，從而使社區受益。盡管該系統可能無法分析患者現有的成像結果歷史并將其整合到評估中，但它可以在其他X射線/ MRI的基礎上進一步進行構建。這個團隊還在考慮整合斷層合成技術來進一步提高Mirai的統計能力。CSAIL團隊還與Emory大學的研究人員合作來進一步驗證這個模型。

相關報道：
https://www.engadget.com/mi-ts-oncological-risk-algorithm-calculates-cancer-chances-across-all-races-190033653.html