MIT:神经网络通过细微特征预测是否会出现乳腺癌,远超传统预测方法

随着近年来乳腺癌的发病率逐渐上升，在现代医学的众多研究领域中，如何尽早发现和治疗乳腺癌，早已成为了一个十分重要的核心课题。

近日，麻省理工学院计算机科学与人工智能实验室（CSAIL）和马萨诸塞州综合医院（MGH）合作，共同打造了一个新的深度学习模型，可以通过分析乳房 X 光图像，找出人眼不易察觉的特征和规律，从而预测女性是否可能在未来五年内罹患乳腺癌（注意：是预测而非诊断）。

训练结果显示，该模型的预测准确率约为31%，远超传统预测方法的18%。研究团队认为，以深度学习驱动的预测系统有望推动新的乳腺癌筛查计划，可以将基于年龄的传统筛查建议，变成基于风险因素的更加科学的个性化筛查建议。

该研究成果以论文的形式发表于期刊 Radiology 上。

不完善的传统筛查建议

乳腺 X 线摄影技术，是目前医疗领域最常用的乳腺癌临床检查方法，经过一个世纪的发展，已被证明可以降低乳腺癌的死亡率。但由于 X 光的强辐射性和乳腺本身的敏感性，业内对筛查频率和何时开始仍有争议。

美国癌症协会建议，所有女性都应该从 45 岁开始进行年度筛查。不过因为每个人的体质和生长环境不同，罹患乳腺癌的风险也不一样，以年龄划分筛查频率过于泛化，很容易错过乳腺癌的早期状态，错失最佳的治疗时机（早期乳腺癌的5年生存率高达 98-100%）。

图 | 乳腺X线摄影技术

在麻省理工学院的研究人员看来，相比采用一刀切的方式，如果能够预测出女性罹患乳腺癌的风险系数，就可以制定更完善的个性化筛查方案，比如让高危人群在 30 多岁时就每年检查一次，低危人群则每三年检查一次，那么或许可以将更多的乳腺癌扼杀在摇篮中，抑制它的发病率增长趋势。

这种预测类型的任务，非常适合使用深度学习技术。实际上，已经有很多关于乳腺癌的研究团队，正在尝试使用人工智能和深度学习，帮助他们诊断乳腺癌（详情请见：神经网络的巧妙组合，乳腺癌诊断准确率竟媲美专业医生）。

与众不同的是，MIT团队想要打造的是预测模型，并非诊断模型。换句话说，当 X 光照片还没有出现乳腺癌的症状时，诊断模型只能给出没有患病的结论，但预测模型应该给出未来一段时间内的患病概率，其难度可想而知。

设计预测模型

研究人员首先联合了美国马萨诸塞州综合医院，获得了超过 6 万名患者的 9 万余张乳房 X 光图像，以及她们是否在 5 年内被诊断出乳腺癌的信息，其中有 2.1 万人没有跟踪检查信息或者出现了其它癌症，因此被排除在外。由于很多女性进行了多次 X 光扫描和跟踪筛查，所以每一次扫描的图像都会被分离出来，成为一个独立的扫描案例。

之后，他们总结出了一系列与乳腺癌和个体有关的风险因素，包括族裔、年龄、体重和身高等基本信息，还有初次月经年龄、乳房密度、是否生产、初次怀孕年龄、是否患有卵巢癌、家族乳腺癌史等高度差异化的信息，甚至精确到家族中患有乳腺癌的是父母，姐妹，还是兄弟。

图 | 神经网络通过细微特征预测是否会出现乳腺癌（来源：MIT）

获得这些精准信息，可以让预测模型考虑的因素更加全面。每一个风险因素都会经过独热编码（one-hot encoding）——一种在机器学习中常见的变量转换机制，可以将某一变量的状态用 0 和 1 组成的二进制向量表示出来——将所有编码整合起来，就组成了一个大的风险因素向量，作为逻辑回归模型（Logistic Regression，预测模型的一部分）的输入值。

在此基础上，研究人员又开发了一套以卷积神经网络（CNN）为核心的图片识别模型，使用的是开源的预训练模型 ResNet-18 。他们并没有根据图片分辨率变化调整模型，而是直接以1664 x 2048 像素的乳房 X 光图片作为输入值。

最后，他们整合了逻辑回归和图像识别两个模型，制作了一个混合模型（Hybrid Model）。结合风险因素和图像信息，该模型开始学习预测五年内是否会出现乳腺癌。

训练和测试结果显示，混合模型的 3-5 年患癌预测准确率约为 31.2%。乍看之下这一数字似乎不够亮眼，但要知道，目前业界主流的Tyrer-Cuzick（TC）乳腺癌风险预测模型，在相同测试中的准确率只有 18.2%，不及麻省理工学院深度学习模型的六成。

图 | 四套模型的准确率（AUC）对比：TC传统模型，逻辑回归模型，图像识别模型和混合模型（来源：MIT/Radiology）

更重要的是，深度学习模型对不同族裔女性的预测准确率相同，而包括Tyrer-Cuzick 模型在内的很多现有模型大多依照白人女性数据建立，对非白人族裔的预测效果较差，可能有超过10%的差距。在深度学习的帮助下，这一误差或将不复存在。

混合模型还发现了一些与现有认知矛盾的现象，比如业界主流声音认为，乳房密度与乳腺癌风险相关，致密型乳房患癌风险较高（原因未知）。

但该模型预测结果显示，存在有致密型乳房的低风险人群，也有低密度乳房的高风险人群，两者患病率相差较大，因此仅凭乳房密度判断患癌风险有失偏颇，可能会影响医疗决策。

图 | 致密型乳房 + 低风险人群患癌率1.4%（左下）VS 低密度乳房 + 高风险人群发病率4.0%（右上）（来源：论文）

仔细分析和比对结果后，研究人员认为这一模型拥有巨大潜力。经过改进的版本有望替代现有的传统乳腺癌风险预测模型，甚至是推动乳腺癌筛查策略的进步，制定更科学的医疗建议。

下一步，他们将着重突破现有研究的局限性，比如收集更全面的患者信息，并且与更多医疗机构合作，拓展 X 光图像的来源，获得不同设备拍摄的 X 光图像，从而更好地改进预测模型的准确率。他们希望有朝一日，可以将其大规模拓展，用来预测心脑血管或胰腺癌等其它疑难疾病。