隨著近年來乳腺癌的發(fā)病率逐漸上升，在現(xiàn)代醫(yī)學的眾多研究領(lǐng)域中，如何盡早發(fā)現(xiàn)和治療乳腺癌，早已成為了一個十分重要的核心課題。

近日，麻省理工學院計算機科學與人工智能實驗室（CSAIL）和馬薩諸塞州綜合醫(yī)院（MGH）合作，共同打造了一個新的深度學習模型，可以通過分析乳房 X 光圖像，找出人眼不易察覺的特征和規(guī)律，從而預測女性是否可能在未來五年內(nèi)罹患乳腺癌（注意：是預測而非診斷）。

訓練結(jié)果顯示，該模型的預測準確率約為31%，遠超傳統(tǒng)預測方法的18%。研究團隊認為，以深度學習驅(qū)動的預測系統(tǒng)有望推動新的乳腺癌篩查計劃，可以將基于年齡的傳統(tǒng)篩查建議，變成基于風險因素的更加科學的個性化篩查建議。

該研究成果以論文的形式發(fā)表于期刊Radiology上。

不完善的傳統(tǒng)篩查建議

乳腺 X 線攝影技術(shù)，是目前醫(yī)療領(lǐng)域最常用的乳腺癌臨床檢查方法，經(jīng)過一個世紀的發(fā)展，已被證明可以降低乳腺癌的死亡率。但由于 X 光的強輻射性和乳腺本身的敏感性，業(yè)內(nèi)對篩查頻率和何時開始仍有爭議。

美國癌癥協(xié)會建議，所有女性都應該從 45 歲開始進行年度篩查。不過因為每個人的體質(zhì)和生長環(huán)境不同，罹患乳腺癌的風險也不一樣，以年齡劃分篩查頻率過于泛化，很容易錯過乳腺癌的早期狀態(tài)，錯失最佳的治療時機（早期乳腺癌的5年生存率高達 98-100%）。

圖 | 乳腺X線攝影技術(shù)

在麻省理工學院的研究人員看來，相比采用一刀切的方式，如果能夠預測出女性罹患乳腺癌的風險系數(shù)，就可以制定更完善的個性化篩查方案，比如讓高危人群在 30 多歲時就每年檢查一次，低危人群則每三年檢查一次，那么或許可以將更多的乳腺癌扼殺在搖籃中，抑制它的發(fā)病率增長趨勢。

這種預測類型的任務，非常適合使用深度學習技術(shù)。實際上，已經(jīng)有很多關(guān)于乳腺癌的研究團隊，正在嘗試使用人工智能和深度學習，幫助他們診斷乳腺癌（詳情請見：神經(jīng)網(wǎng)絡的巧妙組合，乳腺癌診斷準確率竟媲美專業(yè)醫(yī)生）。

與眾不同的是，MIT團隊想要打造的是預測模型，并非診斷模型。換句話說，當 X 光照片還沒有出現(xiàn)乳腺癌的癥狀時，診斷模型只能給出沒有患病的結(jié)論，但預測模型應該給出未來一段時間內(nèi)的患病概率，其難度可想而知。

設計預測模型

研究人員首先聯(lián)合了美國馬薩諸塞州綜合醫(yī)院，獲得了超過 6 萬名患者的 9 萬余張乳房 X 光圖像，以及她們是否在 5 年內(nèi)被診斷出乳腺癌的信息，其中有 2.1 萬人沒有跟蹤檢查信息或者出現(xiàn)了其它癌癥，因此被排除在外。由于很多女性進行了多次 X 光掃描和跟蹤篩查，所以每一次掃描的圖像都會被分離出來，成為一個獨立的掃描案例。

之后，他們總結(jié)出了一系列與乳腺癌和個體有關(guān)的風險因素，包括族裔、年齡、體重和身高等基本信息，還有初次月經(jīng)年齡、乳房密度、是否生產(chǎn)、初次懷孕年齡、是否患有卵巢癌、家族乳腺癌史等高度差異化的信息，甚至精確到家族中患有乳腺癌的是父母，姐妹，還是兄弟。

圖 | 神經(jīng)網(wǎng)絡通過細微特征預測是否會出現(xiàn)乳腺癌（來源：MIT）

獲得這些精準信息，可以讓預測模型考慮的因素更加全面。每一個風險因素都會經(jīng)過獨熱編碼（one-hot encoding）——一種在機器學習中常見的變量轉(zhuǎn)換機制，可以將某一變量的狀態(tài)用 0 和 1 組成的二進制向量表示出來——將所有編碼整合起來，就組成了一個大的風險因素向量，作為邏輯回歸模型（Logistic Regression，預測模型的一部分）的輸入值。

在此基礎上，研究人員又開發(fā)了一套以卷積神經(jīng)網(wǎng)絡（CNN）為核心的圖片識別模型，使用的是開源的預訓練模型 ResNet-18。他們并沒有根據(jù)圖片分辨率變化調(diào)整模型，而是直接以1664 x 2048 像素的乳房 X 光圖片作為輸入值。

最后，他們整合了邏輯回歸和圖像識別兩個模型，制作了一個混合模型（Hybrid Model）。結(jié)合風險因素和圖像信息，該模型開始學習預測五年內(nèi)是否會出現(xiàn)乳腺癌。

訓練和測試結(jié)果顯示，混合模型的 3-5 年患癌預測準確率約為 31.2%。乍看之下這一數(shù)字似乎不夠亮眼，但要知道，目前業(yè)界主流的Tyrer-Cuzick（TC）乳腺癌風險預測模型，在相同測試中的準確率只有 18.2%，不及麻省理工學院深度學習模型的六成。

圖 | 四套模型的準確率（AUC）對比：TC傳統(tǒng)模型，邏輯回歸模型，圖像識別模型和混合模型（來源：MIT/Radiology）

更重要的是，深度學習模型對不同族裔女性的預測準確率相同，而包括Tyrer-Cuzick 模型在內(nèi)的很多現(xiàn)有模型大多依照白人女性數(shù)據(jù)建立，對非白人族裔的預測效果較差，可能有超過10%的差距。在深度學習的幫助下，這一誤差或?qū)⒉粡痛嬖凇?/p>

混合模型還發(fā)現(xiàn)了一些與現(xiàn)有認知矛盾的現(xiàn)象，比如業(yè)界主流聲音認為，乳房密度與乳腺癌風險相關(guān)，致密型乳房患癌風險較高（原因未知）。

但該模型預測結(jié)果顯示，存在有致密型乳房的低風險人群，也有低密度乳房的高風險人群，兩者患病率相差較大，因此僅憑乳房密度判斷患癌風險有失偏頗，可能會影響醫(yī)療決策。

圖 | 致密型乳房 + 低風險人群患癌率1.4%（左下）VS 低密度乳房 + 高風險人群發(fā)病率4.0%（右上）（來源：論文）

仔細分析和比對結(jié)果后，研究人員認為這一模型擁有巨大潛力。經(jīng)過改進的版本有望替代現(xiàn)有的傳統(tǒng)乳腺癌風險預測模型，甚至是推動乳腺癌篩查策略的進步，制定更科學的醫(yī)療建議。

下一步，他們將著重突破現(xiàn)有研究的局限性，比如收集更全面的患者信息，并且與更多醫(yī)療機構(gòu)合作，拓展 X 光圖像的來源，獲得不同設備拍攝的 X 光圖像，從而更好地改進預測模型的準確率。他們希望有朝一日，可以將其大規(guī)模拓展，用來預測心腦血管或胰腺癌等其它疑難疾病。