本文来自MIT News，作者Adam Conner-Simons;由亿欧编译。

　　仅在美国，每年就有4万名妇女死于乳腺癌。早期发现癌症时，通常可以***。乳房X光检查是目前最有效的检测方法，但它仍然不够完美，经常会出现假阳性结果，导致不必要的活检和手术。

　　假阳性误报的一个常见原因，是所谓的“高危”病变，这些病变在乳房X光检查中出现可疑性，并在针刺活检时出现异常***。在这种情况下，病人通常会接受手术移除病灶;然而，在90%的情况下，这些病变在手术中证明是良性的。这意味着每年都有成千上万的女性经历痛苦、昂贵、疤痕化的手术，但这些甚至是没有必要的。

　　那么，在保持乳房X光检测的重要作用同时，如何才能消除不必要的外科手术呢？麻省理工学院计算机科学与人工智能实验室(CSAIL)、麻省总医院和哈佛医学院的研究人员认为，答案是利用人工智能。

　　作为第一个将人工智能应用于改进检测和诊断的项目，这些团队合作开发了一个人工智能系统，它利用机器学习来预测在乳房X光检测中发现的一种高危病灶是否会在手术中升级病变为癌症。

　　在对335例高危病变进行检测时，该模型正确地诊断出97%的乳腺癌为恶性，与现有方法相比，将良性手术的数量减少了30%以上。

　　“因为诊断工具如此不精确，在对乳腺癌进行筛查时，医生们也可以理解这些误差。”Regina Barzilay说道，他是麻省理工学院电子工程和计算机科学教授，同时也是一位乳腺癌幸存者。“当数据存在很大的不确定性时，机器学习正是我们需要改进检测和防止过度治疗的工具。”

　　该模型通过对600多个高危病变的信息进行学习，寻找包括人口统计、家族史、之前的活检和病理报告在内的许多不同数据元素的模式。

　　“据我们所知，这是第一个应用机器学习的研究，以区分那些需要手术的高危病变，而不是那些不需要手术的人，”哈佛医学院的教授、MGH的放射科主任Constance Lehman说。“我们相信，这将有助于女性在治疗方面做出更明智的决定，而且我们可以提供更有针对性的医疗保健方法。”

　　它是如何工作的

　　当乳房X光检测到可疑病灶时，就会进行针刺活检以确定它是否为癌症。大约70%的病变是良性的，20%是恶性的，10%是高危病变。

　　医生以不同的方式处理高危病变。有些人在所有情况下做了手术，而有些人只对有较高癌症发病率的病变进行手术，如“非典型导管增生”(ADH)或“小叶原位癌”(LCIS)。

　　第一种方法中患者必须进行痛苦、耗时且昂贵的手术，而这通常是不必要的;第二种方法不太精确，可能会导致除ADH和LCIS以外的高危病变中出现癌症。

　　MGH的放射科的一名医生Bahl说:“绝大多数高危患者都没有癌症，我们正在努力寻找少数的癌症患者。这种情况下，总是有风险的，当你试图增加你能识别的癌症的数量时，假阳性误报数量也会相应增加。”

　　使用一种被称为“random-forest classifier”的方法，与一直做手术相比，该团队的模型减少了不必要的外科手术，同时还能够诊断出更多的癌前病变，而不是只在传统的“高危病变”策略上进行手术。(具体来说，新模型诊断出了97%的癌症，而之前的比例为79%。)

　　“这项工作突出了一个使用尖端机器学习技术来避免不必要的手术的例子，”Marc Kohli说，他是加州大学旧金山分校的放射学和生物医学成像的临床信息主任。“这是医学界迈向机器领域的第一步，这是一种利用机器学习来识别人类肉眼看不到的模式和趋势的方法。”

　　Lehman兄弟表示，MGH放射科医生将在明年首先将这一模型纳入他们的临床实践。

　　“过去我们可能会建议所有高危的病灶都要通过手术切除，”Lehman说道。“但现在，如果模型确定病变在特定患者身上发生癌变的几率非常低，我们就可以与患者就她的选择进行更充分的讨论。对于一些病人来说，对病灶进行影像检查而不是手术切除，可能更加合理。”

　　该团队表示，他们仍在努力改进模式。

　　Bahl说:“在今后的工作中，我们希望将照片中的实际图像和病理切片的图像结合起来，从医疗记录中获得的更广泛的患者信息。”

　　随着技术不断发展，该模型也可以很容易地调整适用于其他种类的癌症，甚至是其他的***。

　　Barzilay说:“当你有很多不同的因素与特定的结果相关联时，这种模型就会发挥作用。它有望使我们能够超越以往医学诊断中‘一刀切’的传统方法。”