新机器学习方法可以让一些女性来自不必要的乳房手术

非典型导管增生(ADH)是一种乳腺病变，其患乳腺癌的风险增加了4 - 5倍。抗利尿激素主要是通过乳房x线摄影和穿刺活检发现的。尽管在活检过程中多次经过病变，但只有部分病变被取样。其他可变因素影响抽样和准确性，例如癌症的存在可能被低估了10-45%。目前，对于所有芯针活检发现的ADH病例，建议手术切除，以确定病变是否癌变。手术切除后，约20-30%的ADH病例升级为癌症。然而，这意味着70-80%的女性要对良性(但高风险)病变进行昂贵的侵入性手术。

由Saeed Hassanpour，Ph.D的达特茅斯研究团队发现了一种机器学习方法，以预测ADH升级到癌症。拥有这些信息可能有助于临床医生和低风险患者决定主动监测和荷尔蒙治疗是否是手术切除的合理替代品。该模型的评估表明，该团队的机器学习方法可以在手术前鉴定98％的恶性病例，同时从手术中备释，否则否则将经过良性病变的不必要的行动。他们的结果是通过机器学习方法预测非典型导管增生升级，以减少不必要的外科自信，已发表于此JCO临床癌症信息学。

“我们的结果表明，基于的ADH升级到癌症的高风险，女性之间存在稳健的临床差异。核心针活检这些数据使得我们的机器学习模型能够在我们的数据集中可靠地预测恶性肿瘤升级，”Hassanpour说。“这项研究还确定了与抗利尿激素升级风险有关的重要临床变量。”

使用手术切除来排除恶性肿瘤并非没有害处，因为70-80%的女性对良性ADH病变进行了侵袭性手术切除。Hassanpour说:“我们的模型有可能帮助患者和临床医生在低风险病例中选择一种替代的管理方法。”“在个性化医疗的时代，这种模型对于那些重视共享决策方法并有能力在两者之间做出选择的患者来说是可取的。手术切除为了避免成本、压力和潜在的副作用，抗利尿激素升级为癌症的风险较低的女性。”

该团队很快计划通过包括诸如小叶瘤，乳头和径向伤疤等其他高风险乳房病变来扩大其模型的范围。他们还计划使用国家和国家乳房进一步在大型外部数据集中进一步验证其方法癌症注册机构和与其他医疗中心合作。

---

---