![]()
用于乳腺癌诊断的机器学习模型可以在其他临床任务中促进癌症风险的预测和随后的患者管理。对于影响临床实践的模型，它们应该遵循标准的工作流程，帮助解释乳房X光检查和超声数据，评估临床背景信息，处理不完整的数据，并在前瞻性设置中进行验证。
2024年12月4日，上海科技大学钱学骏团队在Nature Biomedical Engineering（IF=26.8）在线发表题为“A multimodal machine learning model for the stratification of breast cancer risk”的研究论文，该研究报告了一个多模态模型的开发和测试，该模型利用乳房X光检查和超声模块，基于临床元数据、乳房X光检查和三模态超声（5216个乳房的19360张图像），对来自医疗中心和扫描仪制造商的5025名手术证实病理的患者进行乳腺癌风险分层。与经验丰富的放射科医生的表现相比，该模型在将肿瘤分类为良性或恶性方面表现相似，并且在病理水平的鉴别诊断方面表现优越。通过对187例患者191个乳房的前瞻性数据集收集，多模态模型和乳腺活检标本的初步病理水平评估的总体准确性相似（分别为90.1%和92.7%）。多模态模型有助于肿瘤学的诊断。乳腺癌是世界上最常见的癌症，在2020年首次超过肺癌，是女性癌症死亡的第二大原因。据报道，全世界每年约有230万妇女被诊断患有乳腺癌，最终导致约68.5万人死亡。由于早期诊断可以大大提高患者的生存率和预后，乳房X光检查长期以来被广泛推荐用于筛查和诊断人群。然而，乳房X光检查对乳腺组织致密的女性灵敏度较低，因为乳房密度极高的女性患乳腺癌的风险增加了四倍。超声，一种低成本和广泛使用的成像工具，已被用于描绘小的，乳房X线摄影隐匿性乳腺癌，从而提高了乳腺癌检测的灵敏度。具体来说，先进的超声技术，如彩色多普勒和弹性成像，现在已经在临床上应用，以改善乳腺癌诊断的整体表现，特别是减少假阳性率。因此，利用各自的优势，同时使用乳房x光检查（MG）和超声检查（US）作为补充组合，已常规应用于现实世界的临床环境中筛查和诊断乳腺病变，而不是单独使用乳房X光检查或超声检查。乳腺癌风险分层和患者护理的总体研究设计（图源自Nature Biomedical Engineering）随着人工智能（AI）的不断发展，基于人工智能的方法可能会以独特的方式帮助应对这一挑战。十多年前，机器学习方法已经被用于解决许多临床决策支持问题，包括帮助放射科医生解释乳房x光检查和乳房超声波检查。由于机器学习中手工制作的特征难以在使用不同协议和制造商的图像中进行泛化，因此这一代人工智能软件无法提高临床医生在现实世界中的表现。深度学习技术的最新突破，允许算法在成像本身的基础上学习适当的预测特征，这使医疗人工智能领域重新焕发了活力。该研究开发了一个统一的混合深度学习系统，通过多模态数据方法（改善乳腺癌风险分层和患者护理。该研究相当的AI系统的性能相比人类专家的前瞻性连续病人设置和显示,AI有经验的放射科医生,性能接近的初步pathologist-level解释活检标本。使用多中心代表性数据集进一步评估了人工智能系统，评估了其在临床实践中常见的单峰、双峰或多峰数据可用情况下的性能。这项工作最重要的贡献是通过乳腺疾病的树状结构分类增强临床适用性。这种分类法同时提供了多层次的预测能力，包括对高度一般的疾病类别的双向分类和不同严重程度的五向鉴别诊断，所有这些都可以提供更好的临床结果。研究证明，人工智能系统有潜力提供可靠的诊断，良好的通用性和有效的部署，所有这些都将大大加快多模式乳腺人工智能系统在临床工作流程中的广泛采用。
参考消息：
https://www.nature.com/articles/s41551-024-01302-7
![]()
—END—
内容为【iNature】公众号原创，
转载请写明来源于【iNature】
微信加群
iNature汇集了4万名生命科学的研究人员及医生。我们组建了80个综合群（16个PI群及64个博士群），同时更具专业专门组建了相关专业群（植物，免疫，细胞，微生物，基因编辑，神经，化学，物理，心血管，肿瘤等群）。温馨提示：进群请备注一下（格式如学校+专业+姓名，如果是PI/教授，请注明是PI/教授，否则就直接默认为在读博士，谢谢）。可以先加小编微信号（love_iNature），或者是长按二维码，添加小编，之后再进相关的群，非诚勿扰。
![]()
![]()
投稿、合作、转载授权事宜
请联系微信ID：13701829856 或邮箱：iNature2020@163.com
觉得本文好看，请点这里！
