放射科医师分析乳房X 光照片所读取出的乳房密度评估指针,会因人而异,而从这项指标可以看出患者是否存在罹患乳癌的风险。

一项研究发现放射科医师将乳房X 光照片中介于 6% 到85% 之间的任何区域,划分为「非均质性致密型」或「极其致密型」的罹癌高风险区域。

麻省理工学院的研究团队运用神经网络,以求减少放射科医师解读乳房X 光照片的差异。

麻省总医院筛检中心的放射科医生使用麻省理工学院的深度学习模型。研究团队指出,这是首度在大规模临床实务活动的日常工作流程内部署这种模型。

更深入掌握风险

每年在美国进行约 3300 万次筛查性乳房摄影检查。这些筛查画面可以在出现任何症状前便显示是否存在乳癌,不过这还包括另一项重要的评估项目,也就是乳房组织密度。

放射科医师在评估乳房X 光照片时,会按照乳房组织的密度和分布情况,将扫描结果分为四类,即脂肪型、散布型、非均质性致密型或极其致密型。

后两类是需要特别注意的。乳房X 光照片的评估结果若为非均质性致密型或极其致密型,代表高密度、支持性的乳房组织所占的比例较高。与脂肪组织不同,支持性组织在乳房X 光照片上看起来的透明度较低,会使得乳房的其它部位变得模糊,更难发现异常情况。

它也是独立的癌症危险因素,高乳房密度女性罹患乳癌的机率,是低乳房密度女性的四到五倍

约半数 40 至74 岁美国女性的评估结果为乳房致密型,代表长期来看罹患乳癌的风险较高,她们可能需要接受MRI 等其它筛查方法。

深度学习有助于向患者提供最为一致的筛查结果,使她们更深入认识相关风险。
乳房密度是一项按照完整乳房X 光照片进行测量的整体特征属性。麻省理工学院的研究生,也是报告共同作者的Kyle Swanson 说,这使得神经网络更容易对它们进行分析。

「这不只是『有出现密集的组织吗?』,但『是什么结构?它整体看起来是什么样子?』的问题」麻省理工学院计算机科学与人工智能实验室博士生,也是报告第二作者的Adam Yala 说。「神经网络可以学习那种全局模式。」

该团队使用数千张带有标记的数字乳房X 光照片(由多位放射科医师进行评估)来训练其深度学习工具。

因此,比起单一放射科医师的判读内容,神经网络的乳房X 光照片评估结果更接近多位放射科医师一致同意的判读内容。放射科医师在临床环境里可以按照这种一致的评估结果,对扫描内容做出判断。

将深度学习用在临床环境

麻省总医院筛查中心的放射科医生从一月份开始,便在其临床工作流程内使用深度学习模型。放射科医师在分析乳房X 光照片时,会看到深度学习模型做出的评估内容,并且决定是否与其保持同样意见。

研究人员记录了放射科医师在解读万余次的扫描内容时,接受神经网络评估结果的次数,以评估该模型是否成功。

放射科医师在还没先看到模型判断结果的情况下,判读乳房X 光照片时,其评估结果有87% 的情况跟神经网络一致。不过在放射科医师有先看到深度学习的评估结果时,有94% 的情况与模型一致。

报告结果显示深度学习模型判读扫描内容的精准度,与经验丰富的放射科医师相当,且密度评估的一致性也不断提高。Yala 说其它未使用深度学习的自动化方法,则跟放射科医生的意见并不一致。

到目前为止,放射科医师已经对约1.8万张乳房X 光照片的评估作业使用深度学习模型,研究人员使用NVIDIA GPU 来训练他们使用PyTorch 深度学习框架开发的卷积神经网络

Yala 表示他们的目标是减少这种主观判断的差异性,确保患者获得正确的风险评估结果。

他说:「这不是比谁的运气比较好,谁都应该能给你一样的评估结果。」

密度评估只是第一步,研究人员还在研究深度学习工具,以便提早五年找出哪些患者更有可能罹患癌症。