深度学习预测女性患乳腺癌的风险
马萨诸塞州总医院(MGH)的研究人员开发了一个深学习模式识别预测成像生物标志物进行筛查性乳房x光检查病人的患乳腺癌的风险更大的精度比传统的风险评估工具。研究结果被发表在年会的北美放射学会(RSNA)。
“传统的风险评估模型不利用包含在乳房x光检查的详细级别,”莱斯利·兰姆说,医学博士,,乳房放射科医生在MGH。“即使是最好的现有传统风险模型可能单独的病人群体但不精确的在个人层面上。”
目前的风险评估模型结合,只有一小部分病人数据如家族史、乳房活检之前,和激素和生殖的历史。筛查性乳房x光检查本身只有一个功能,乳腺密度,是纳入传统的模型。
“我们为什么要限制自己只乳房密度有如此丰富的数字数据嵌入在每个女人的乳房x线照片吗?”资深作者康斯坦斯·d·雷曼说,医学博士博士,乳房成像在MGH处长。“每一个女人的乳房x光片是独一无二的她就像她的拇指指纹。它包含成像高度预测未来的生物标志物癌症风险,但直到我们有深度学习的工具,我们不能提取这些信息来改善病人护理。”
羊博士和一组研究人员开发出新的深度学习算法来预测乳腺癌风险使用数据从五个MGH乳腺癌筛查的网站。模型被开发而建立的女性乳腺癌的个人历史,植入或之前活检。
这项研究包括245753名连续二维数字双边筛查乳房x光检查在2009年和2016年之间的80818名患者。从总乳房x光检查,210819年56831例被用于培训考试,25644年考试从7021年患者进行测试,从3961名患者和9290年考试验证。
通过统计分析,研究者相比,深度学习的准确性仅模型商业化风险评估模型(Tyrer-Cuzick版本8)在预测未来五年内乳腺癌的乳房x光检查。的深度学习模型实现了预测率为0.71,明显优于传统的风险模型,取得了0.61的速度。
“我们深入学习模式能翻译完整的微妙的多样性在乳房x光成像生物标志物可以预测一个女人的未来的风险乳腺癌”羊博士说。
羊博士说新的深度学习模式已经在瑞典和外部验证台湾,和额外的研究计划更大的非洲裔美国人和少数族裔人口。
在MGH,深度学习风险信息报告软件的放射科医师读取病人的筛查性乳房x光检查。
“传统风险模型可以耗时的收购和依赖不一致或缺失的数据,“羊博士说。“深入学习仅风险模型可以提供更多更准确,成本更低的风险评估和帮助实现精密医学的承诺。”
进一步探索
用户评论