為了更早地發(fā)現(xiàn)癌癥，我們需要預(yù)測未來誰會患上癌癥。預(yù)測風(fēng)險的復(fù)雜性得到了人工智能 (AI) 工具的支持，但人工智能在醫(yī)學(xué)中的采用受到 新患者群體表現(xiàn)不佳 和忽視 少數(shù)族裔的限制。

兩年前，來自麻省理工學(xué)院計算機科學(xué)與人工智能實驗室 (CSAIL) 和 Jameel Clinic 的一組科學(xué)家展示了一種 深度學(xué)習(xí)系統(tǒng)，可以僅使用患者的乳房 X 光照片來預(yù)測癌癥風(fēng)險。該模型顯示出顯著的前景，甚至提高了包容性：它對和黑人女性同樣準(zhǔn)確，鑒于黑人女性死于乳腺癌的可能性高出 43%，這一點尤其重要。

但為了將基于圖像的風(fēng)險模型集成到臨床護理中并使其廣泛可用，研究人員表示，這些模型需要在多家醫(yī)院進行算法改進和大規(guī)模驗證，以證明其穩(wěn)健性。

為此，他們定制了新的“Mirai”算法，以滿足風(fēng)險建模的獨特要求。Mirai 對患者未來多個時間點的風(fēng)險進行聯(lián)合建模，并且可以選擇從年齡或家族史等臨床風(fēng)險因素中受益(如果可用)。該算法還旨在生成在臨床環(huán)境中的微小差異中保持一致的預(yù)測，例如乳房 X 光檢查機器的選擇。

該團隊使用來自馬薩諸塞州綜合醫(yī)院 (MGH) 之前工作的 200,000 多個檢查的相同數(shù)據(jù)集訓(xùn)練 Mirai，并在 MGH、瑞典卡羅林斯卡學(xué)院和長庚紀(jì)念醫(yī)院的測試集上對其進行了驗證。Mirai 現(xiàn)在安裝在 MGH，團隊的合作者正在積極致力于將模型整合到護理中。

Mirai 在預(yù)測癌癥風(fēng)險和識別所有三個數(shù)據(jù)集中的高風(fēng)險群體方面比以前的方法更準(zhǔn)確。在 MGH 測試集上比較高風(fēng)險隊列時，該團隊發(fā)現(xiàn)，與當(dāng)前的臨床標(biāo)準(zhǔn) Tyrer-Cuzick 模型相比，他們的模型識別出的未來癌癥診斷率高出近兩倍。Mirai 在 MGH 測試集中不同種族、年齡組和乳房密度類別的患者以及 Karolinska 測試集中不同癌癥亞型的患者中同樣準(zhǔn)確。

“改進的乳腺癌風(fēng)險模型能夠?qū)崿F(xiàn)有針對性的篩查策略，與現(xiàn)有指南相比，可以實現(xiàn)更早發(fā)現(xiàn)，篩查危害更小，”CSAIL 博士生、一篇關(guān)于 Mirai 的論文的主要作者 Adam Yala 說，該論文將發(fā)表在《 科學(xué)轉(zhuǎn)化醫(yī)學(xué)》上。“我們的目標(biāo)是使這些進步成為護理標(biāo)準(zhǔn)的一部分。我們正在與來自北卡羅來納州 Novant Health、喬治亞州埃默里、以色列 Maccabi、墨西哥 TecSalud、阿波羅和巴西 Barretos 的臨床醫(yī)生合作，以進一步驗證不同人群的模型，并研究如何最好地臨床實施。”

這個怎么運作

研究人員表示，盡管廣泛采用乳腺癌篩查，但這種做法充滿爭議：更積極的篩查策略旨在最大限度地提高早期檢測的益處，而不太頻繁的篩查旨在減少誤報、焦慮和成本。甚至永遠不會發(fā)展為乳腺癌。

當(dāng)前的臨床指南使用風(fēng)險模型來確定應(yīng)推薦哪些患者進行補充成像和 MRI。一些指南僅使用年齡風(fēng)險模型來確定女性是否應(yīng)該接受篩查以及多久進行篩查;其他人結(jié)合了與年齡、激素、遺傳和乳房密度相關(guān)的多種因素來確定進一步的測試。盡管經(jīng)過了數(shù)十年的努力，但臨床實踐中使用的風(fēng)險模型的準(zhǔn)確性仍然不高。

最近，基于深度學(xué)習(xí)乳房 X 線照相術(shù)的風(fēng)險模型顯示出良好的性能。為了將這項技術(shù)應(yīng)用于臨床，該團隊確定了他們認為對風(fēng)險建模至關(guān)重要的三項創(chuàng)新：聯(lián)合建模時間、可選使用非圖像風(fēng)險因素和方法以確?？缗R床環(huán)境的一致性能。

時間

風(fēng)險建模的本質(zhì)是從不同隨訪次數(shù)的患者身上學(xué)習(xí)，并評估不同時間點的風(fēng)險：這可以確定他們接受篩查的頻率、是否應(yīng)該進行補充成像，甚至考慮預(yù)防性治療。

雖然可以訓(xùn)練單獨的模型來評估每個時間點的風(fēng)險，但這種方法可能會導(dǎo)致沒有意義的風(fēng)險評估——比如預(yù)測患者在兩年內(nèi)患癌癥的風(fēng)險比五年內(nèi)更高. 為了解決這個問題，該團隊設(shè)計了他們的模型，通過使用一種稱為“附加危險層”的工具，同時預(yù)測所有時間點的風(fēng)險。

附加危險層的工作原理如下：他們的網(wǎng)絡(luò)預(yù)測患者在某個時間點(例如五年)的風(fēng)險，作為他們在前一個時間點(例如四年)的風(fēng)險的延伸。在這樣做的過程中，他們的模型可以從具有可變跟進量的數(shù)據(jù)中學(xué)習(xí)，然后產(chǎn)生自洽的風(fēng)險評估。

非圖像風(fēng)險因素

雖然這種方法主要側(cè)重于乳房 X 線照片，但該團隊還希望使用非圖像風(fēng)險因素，例如年齡和荷爾蒙因素(如果可用)——但在測試時不需要它們。一種方法是將這些因素作為輸入添加到帶有圖像的模型中，但這種設(shè)計會阻止大多數(shù)沒有這種基礎(chǔ)設(shè)施的醫(yī)院(例如 Karolinska 和 CGMH)使用該模型。

為了讓 Mirai 在不需要風(fēng)險因素的情況下從風(fēng)險因素中受益，網(wǎng)絡(luò)會在訓(xùn)練時預(yù)測該信息，如果不存在，它可以使用自己的預(yù)測版本。乳房 X 光檢查是健康信息的豐富來源，因此可以從其成像中輕松預(yù)測許多傳統(tǒng)的風(fēng)險因素，例如年齡和更年期狀態(tài)。由于這種設(shè)計，全球任何診所都可以使用相同的模型，如果他們有額外的信息，他們可以使用它。

在臨床環(huán)境中保持一致的性能

要將深度學(xué)習(xí)風(fēng)險模型納入臨床指南，模型必須在不同的臨床環(huán)境中一致地執(zhí)行，并且其預(yù)測不會受到乳房 X 光照片所用機器等細微變化的影響。即使是在一家醫(yī)院，科學(xué)家們發(fā)現(xiàn)標(biāo)準(zhǔn)訓(xùn)練在乳房 X 光檢查機器改變前后也不能產(chǎn)生一致的預(yù)測，因為算法可以學(xué)習(xí)依賴特定于環(huán)境的不同線索。為了 消除模型的偏差，該團隊使用了一種 對抗性方案，其中模型專門學(xué)習(xí)對源臨床環(huán)境不變的乳房 X 光照片表示，以產(chǎn)生一致的預(yù)測。

為了在不同的臨床環(huán)境中進一步測試這些更新，科學(xué)家們在瑞典卡羅琳斯卡和長庚紀(jì)念醫(yī)院的新測試集上評估了 Mirai，發(fā)現(xiàn)它獲得了一致的性能。該團隊還分析了該模型在 MGH 測試集中跨種族、年齡和乳房密度類別以及 Karolinska 數(shù)據(jù)集上跨癌癥亞型的表現(xiàn)，并發(fā)現(xiàn)它在所有亞組中的表現(xiàn)相似。

“非裔美國女性在更年輕的時候繼續(xù)出現(xiàn)乳腺癌，而且通常在晚期，”沒有參與這項工作的馬薩諸塞州總醫(yī)院的乳房外科醫(yī)生 Salewa Oseni 說。“這與該組中較高的三陰性乳腺癌病例相結(jié)合，導(dǎo)致乳腺癌死亡率增加。這項研究證明了風(fēng)險模型的發(fā)展，其預(yù)測在整個種族中具有顯著的準(zhǔn)確性。它在臨床上使用的機會很高。”

Mirai 的工作原理如下：

1. 乳房 X 光照片圖像通過稱為“圖像編碼器”的東西進行處理。

2. 每個圖像表示，以及它來自哪個視圖，與來自其他視圖的其他圖像聚合以獲得整個乳房 X 光照片的表示。

3. 通過乳房 X 光檢查，可以使用 Tyrer-Cuzick 模型(年齡、體重、激素因素)預(yù)測患者的傳統(tǒng)風(fēng)險因素。如果不可用，則使用預(yù)測值。

4. 有了這些信息，附加危險層可以預(yù)測患者在未來五年內(nèi)每年的風(fēng)險。

改善未來

盡管當(dāng)前的模型沒有查看患者之前的任何影像學(xué)結(jié)果，但隨著時間的推移影像學(xué)的變化包含了大量信息。未來，該團隊的目標(biāo)是創(chuàng)建可以有效利用患者完整成像歷史的方法。

以類似的方式，該團隊指出，該模型可以通過利用“斷層合成”(一種用于篩查無癥狀癌癥患者的 X 射線技術(shù))進一步改進。除了提高準(zhǔn)確性之外，還需要進行額外的研究來確定如何將基于圖像的風(fēng)險模型應(yīng)用于數(shù)據(jù)有限的不同乳房 X 光檢查設(shè)備。

“我們知道 MRI 可以比乳房 X 線照相術(shù)更早發(fā)現(xiàn)癌癥，而且早期檢測可以改善患者的預(yù)后，”Yala 說。“但對于癌癥風(fēng)險較低的患者來說，假陽性的風(fēng)險可能會超過收益。通過改進的風(fēng)險模型，我們可以設(shè)計更細致的風(fēng)險篩查指南，為將要患癌癥的患者提供更敏感的篩查(如 MRI)，以獲得更好的結(jié)果，同時減少對其余患者的不必要篩查和過度治療。”

“我們很高興也很謙虛地提出這個人工智能系統(tǒng)是否適用于非裔美國人的問題，”醫(yī)學(xué)博士、埃默里大學(xué)介入放射學(xué)和信息學(xué)助理教授 Judy Gichoya 說，他沒有參與這項工作。“我們正在廣泛研究這個問題，以及如何檢測故障。”

標(biāo)簽：