美国每年有约40000名女性死于乳腺癌。早期发现癌症时，患者通常可以被治愈。乳房X线照片是目前最佳的乳腺癌检测方法，但该方法仍存在缺陷，常导致假阳性结果，引发不必要的活检和手术。

假阳性的一个常见原因是所谓的“高风险”病变。这些病变在乳房X线照片下可疑，针刺活检发现含有异常细胞。通常患者会接受手术切除病变，但90%的情况下这些病变是良性的，这意味着每年有数千名女性经历痛苦、昂贵且可能留疤的不必要手术。

为消除这些不必要的手术，同时保持乳房X线照相术在癌症检测中的重要作用，麻省理工学院计算机科学与人工智能实验室、马萨诸塞州总医院和哈佛医学院的研究人员合作开发了一个基于机器学习的AI系统。该系统通过分析600多个高风险病变的数据（包括人口统计学、家族史、既往活检和病例报告），预测高风险病变是否会发展为癌症。在335个高风险病变的测试中，该模型准确诊断了97%的恶性肿瘤，并将手术后发现良性的数量减少了30%以上。

麻省理工学院电气工程与计算机科学系教授、乳腺癌幸存者Regina Barzilay表示：“由于当前诊断工具不准确，医生倾向于过度筛查。机器学习正是改进检测、防止过度治疗的工具。”哈佛医学院教授、MGH乳腺成像专家Constance Lehman指出：“这是首个将机器学习应用于区分需要手术的高风险病变的研究，可支持患者做出更明智的治疗决策。”

当乳房X线照片检测到可疑病变时，需进行针活检以确定是否为癌症。约70%的病变为良性，20%为恶性，10%为高风险病变。目前医生对高风险病变的处理方式不同：有的对所有病例进行手术，有的仅对特定类型（如非典型导管增生或小叶原位癌）手术。前者导致大量不必要手术，后者可能遗漏其他高风险病变。该团队采用随机森林分类器模型，相比传统方法，不仅减少了不必要手术，还诊断出97%的癌症（传统方法仅79%）。

加利福尼亚大学旧金山分校放射学与生物医学影像系临床信息学主任Marc Kohli评价：“这项研究是机器学习避免不必要手术的典范，是识别人类不可见模式的第一步。”Lehman表示，MGH放射科医生将在明年将模型纳入临床实践：“如果模型确定病变癌变几率低，我们可以与患者讨论影像随访而非手术。”团队计划进一步训练模型，结合乳房X线照片、病理切片图像和医疗记录。未来，该模型可调整应用于其他癌症甚至疾病。麦克阿瑟“天才补助金”获奖者Barzilay总结：“希望这项研究能推动超越一刀切的医疗诊断。”