自动化系统识别致密组织, 乳腺癌的危险因素, 在乳房X线照片

来自麻省理工学院和马萨诸塞州总医院的研究人员已经开发出一种自动化的模型，评估了乳房X光检查乳房组织致密 - 这是乳腺癌的独立危险因素 - 尽可能可靠放射学专家.

这标志着第一次同类型的深学习模式已经成功在真正的病人诊所使用, 据研究人员. 随着广泛实施, 研究人员希望该模型能帮助在全国范围内带来乳腺密度评估更高的可靠性.

据估计，超过 40 中美的百分比. 女性乳房组织致密, 仅此一项增加患乳腺癌的危险性. 此外, 致密组织可以在乳房X射线检查掩模的癌症, 使筛选更加困难. 结果是, 30 我们. 国家强制要求的妇女必须被告知，如果他们的乳房X光检查表明他们有密集的乳房.

但乳腺密度评估，依靠人的主观评价. 由于诸多因素的影响, 结果各不相同 - 有时急剧 - 跨越放射科医生. 麻省理工学院和麻省总医院研究人员训练数以万计的高品质数字乳房X线照片的深度学习模式要学会区分不同类型的乳腺组织, 从脂肪，以极其致密, 根据专家评估. 赋予了新的乳房X光检查, 那么该模型可以识别密度测量与专家意见贴紧.

“乳腺密度是推动我们如何与他们的癌症风险的妇女沟通的独立危险因素. 我们的动机是建立一个准确和一致的工具, 可以共享和跨医疗保健系统中使用,”亚当说，雅拉, 博士生在麻省理工学院计算机科学和人工智能实验室 (CSAIL) 并在纸上第二作者描述了今天出版的模型 放射科.

其他共同作者是第一作者康斯坦斯雷曼, 哈佛医学院放射学教授，麻省总医院的乳腺成像主任; CSAIL博士生塔尔舒斯特; 凯尔·斯旺森'18, 一个CSAIL研究员和研究生在电气工程和计算机科学系; 和资深作者里贾纳Barzilay, 台达电子教授CSAIL与电气工程和计算机科学系麻省理工学院部和科赫研究所综合癌症研究在麻省理工学院的一员.

映射密度

这个模型的建立卷积神经网络 (CNN), 它也可用于计算机视觉任务. 研究人员训练和测试他们的模型上的多集 58,000 从除了多个随机选择的乳房X线照片 39,000 女人之间的筛选 2009 和 2011. 为了训练, 他们用身边 41,000 乳房X线照片和, 用于检测, 关于 8,600 乳房X光检查.

数据集中的每个乳房X光检查有标准的乳腺影像报告和数据系统 (BI-RADS) 乳房密度等级分为四类: 脂肪, 零落 (散布密度), 异质 (大部分密集), 而密. 在训练和测试乳房X线照片, 关于 40 ％被评定为多相和致密.

在培训过程, 该模型给出随机乳房X线照片分析. 它学会地图专家放射密度等级的乳房X光检查. 密集的乳房, 例如, 含有腺体和纤维结缔组织, 其中出现的厚的白线和实心白补丁紧凑网络. 脂肪组织网络似乎更轻薄, 在整个灰色地带. 在测试中, 模型观察新乳房X线照片，并预测最有可能的密度类别.

匹配评估

该模型是在MGH在乳房成像除法实现. 在传统的工作流程, 当乳房X射线照片拍摄, 它发送到工作站放射科医生评估. 研究人员的模型安装在一个单独的机器，它可以拦截扫描到达前放射, 并分配每个乳房X线照片的密度等级. 当放射科医生拉起扫描在自己的工作站, 他们会看到模型的分配评级, 它们然后接受或拒绝.

“这需要不到一秒钟的每个图像... [它可以是] 整个医院的容易和便宜缩放。”亚拉说.

超过 10,000 乳房X线照片在MGH一月至今年五月, 该模型实现 94 医院的放射科医师之间的协议百分比在二进制测试 - 确定是否乳房要么异质性和致密, 或脂肪和散. 在全部四个BI-RADS分类, 它匹配的放射科医生在评估 90 百分. “MGH是顶乳房成像中心与高放射科医师间协议, 而这种高品质的数据集，使我们能够建立一个强大的模型,”亚拉说.

在一般测试使用的原始数据集, 该模式匹配的原始人类专家在解释 77 在四个BI-RADS分类％，而, 二进制测试, 匹配的解释在 87 百分.

与传统的预测模型的比较, 研究人员利用一种称为卡帕成绩指标, 哪里 1 表明预测同意每一次, 和任何低表明协议的情况较少. 卡帕得分市售的自动密度评估模型得分最高约 0.6. 在临床应用, 研究人员的模型进球 0.85 卡伯分数和, 在测试中, 拿下 0.67. 这意味着模型使得比传统型号更好的预测.

在另外的实验, 研究人员从五个MGH放射科医师从测试的模型与一致协议 500 随机测试乳房X线照片. 分配乳房密度乳房X线照片未经原评估知识的放射科医生, 或同行或模型的评估. 在这个实验中, 该模型取得的成绩卡帕 0.78 与放射科医生达成共识.

资源:

HTTP://news.mit.edu, 罗布洋行