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 线照片下很可疑，并且用针刺活检可以发现它们含有异常细胞。在这种情况下，患者通常会进行手术去除病变。但是，90% 的情况下，这些病变是良性的。这意味着每年都有数千名女性经历痛苦、昂贵、可能会留疤但并没有必要进行的手术。

图丨研究团队的成员们

那么如何消除这些不必要的手术，同时依然保持乳房 X 线照相术在癌症检测中的重要作用呢？来自麻省理工学院计算机科学与人工智能实验室（CSAIL）、马萨诸塞州总医院 (MGH) 和哈佛医学院的研究人员认为，这个答案是利用人工智能。

作为将 AI 应用于改进检测和诊断的第一个项目，这些研究人员合作开发了一个 AI 系统。这个系统使用机器学习来预测经过乳房 X 线照相术后，再针刺活检确定的高风险病变是否会在手术中变成癌症。该模型在关于 600 多个现有高风险病变的信息训练后，会在许多不同的数据元素中寻找模式。这些数据元素包括人口统计学、家族史、过去的活检以及病例报告。

当对 335 个高风险病变进行测试时，该模型准确诊断了 97％的乳腺癌是恶性肿瘤。与现有方法相比，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和计算机科学系的教授，同时也是乳腺癌幸存者 Regina Barzilay 说：“因为目前诊断工具如此不准确，医生对乳腺癌进行筛查是可以理解的趋势。当数据中有这么多错误的时候，机器学习（machine learning）就是我们需要改进检测方法和防止过度治疗的工具。”

Constance Lehman 是哈佛医学院教授兼 MGH 乳腺成像专家，也是这个研究小组的一员。她说：“据我们所知，这是第一个将机器学习应用于区分需要手术的高风险病变的研究。我们相信这可以支持妇女对病情的治疗方法做出更明智的决定，并且我们可以提供更有针对性的医疗方法。”

当乳房 X 线照相检测到可疑病变时，需要进行针活检以确定其是否是癌症。大约 70％的病变是良性的，20％是恶性的，10％是高危病变。医生以不同的方式治疗高危病变。有些医生在所有情况下都进行手术，而其他医生仅对具有较高癌症发生率的病变进行手术，例如“非典型导管增生”（atypical ductal hyperplasia, ADH）或“小叶原位癌”（lobular carcinoma in situ, LCIS）。

第一种方法会使患者经历痛苦、耗时、昂贵并且多数情况下是不需要的手术。而第二种方法是不精确的，可能会错过 ADH 和 LCIS 以外的高风险病变癌症类型。

MGH 放射科医生 Bahl 说：“绝大多数患有高风险病变的患者没有癌症，我们正在寻找一种可以检测到少部分人有癌症的方法。在这样的情况下，当你尝试增加可以识别的癌症数量时，你也会增加检测到的假阳性数量，这是一个很大的风险。”

与总是做手术的策略相比，使用“随机森林分类器”（random-forest classifier）的方法，该团队的模型减少了不必要的手术的数量。这个模型同时还能够诊断更多的癌性病变，而不是仅仅对传统的高风险病变进行手术（具体来讲，新模型可以诊断出 97％的癌症，而传统办法只诊断出了 79％的癌症）。

加利福尼亚大学旧金山分校放射学和生物医学影像系临床信息学主任 Marc Kohli 说：“这项研究是使用尖端机器学习技术避免不必要的手术的一个例子。这是机器学习迈向医学界的第一步，是识别人类不可见的模式和趋势的一种方式。”

Lehman 说，MGH 放射科医生将在明年开始把模型纳入其临床实践。“过去我们可能会建议所有高风险的病变都要手术切除。但现在，如果模型可以确定病变在特定患者中的癌变机率很低，我们可以与病人就他的选择做更具体的讨论。一些患者更需要的是对病变部位进行影像分析，而不是直接手术切除。”

该团队表示，他们仍在努力进一步训练这个模型。Bahl 说：“在未来的研究中，我们希望将乳腺 X 线照片、病理切片图像以及病人的原有医疗记录相结合。”

从未来来看，该模型也可以简单的被调整到完全适用于其他类型的癌症，甚至其它疾病。这篇期刊文章的作者之一、麦克阿瑟“天才补助金”最新获奖者 Barzilay 说：“像这样一个模型，只要你有很多不同与特定的结果相关联的因素，它就会发挥作用。希望这项研究能让我们超越一刀切的医疗诊断方法。”