每年，仅在美国就有约4万名女性因乳腺癌死亡。当癌症在早期阶段被发现时，往往可以治愈。乳房X光检查是最佳的可选诊断方法之一，但该方法存在不足，常出现假阳性结果，导致不必要的手术。

常见的假阳性原因之一是“高风险”病变：在X光检查中看似可疑，活检中也可见异常细胞。此时，患者通常通过手术切除病变；然而，90%的情况下病变是良性的。这意味着每年数千名女性承受了不必要的痛苦、昂贵的治疗和术后疤痕。

那么，能否在减少不必要手术的同时，保留X光检查在癌症监测中的重要作用？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，答案在于人工智能（AI）。他们联合在《Radiology》杂志上发表了一篇论文。

团队开发了一个AI系统，利用机器学习算法预测：在乳房X光检测后，经针刺活检确定为高风险病变的病灶，在手术时是否会升级为癌症。该系统通过超过600个高风险病变的数据进行训练，寻找人口统计学、家族史、既往活检和病理报告等多种数据元素中的模式。在对335个高风险病变进行测试时，模型正确诊断了97%的乳腺癌为恶性，与现有方法相比，可减少超过30%的良性手术数量。

“由于诊断工具不够精确，医生过度筛查乳腺癌是一个可以理解的趋势，”麻省理工学院电气工程与计算机科学教授、乳腺癌幸存者Regina Barzilay说，“当数据中存在很大不确定性时，机器学习正是我们所需的工具，用于改善发现并防止过度治疗。”

“据我们所知，这是首个利用机器学习区分哪些高风险病变需要手术、哪些不需要的研究，”哈佛医学院教授、MGH放射科乳腺成像主任、合作者Constance Lehman表示，“我们认为这可以帮助女性对治疗做出更明智的决定，并提供更具针对性的医疗护理。”

那么，机器学习是如何实现这一目标的呢？当X光成像发现可疑病变时，针刺活检用于确认是否为癌症。约70%的病变是良性的，20%是恶性的，10%是高风险的。医生处理高风险病变的方式不同：有些对所有病例都进行手术，而另一些仅在病变具有高度癌变概率时（如非典型性导管增生ADH或小叶原位癌LCIS）才手术。第一种方法使患者承受不必要的痛苦和费用；第二种方法则不够精确，可能遗漏ADH和LCIS之外的高风险病变。

“绝大多数高风险病变患者并没有癌症，因此我们试图找到那些可以确认的，”MGH放射科医师Manisha Bahl说，“在这种情况下，当你试图增加识别的癌症数量时，也会增加假阳性的数量。”

团队采用“随机森林分类器”方法。与总是手术的策略相比，该模型避免了不必要的手术；与仅在传统高风险病变上手术的策略相比，它诊断出了更多癌症。具体而言，新模型诊断了97%的癌症，而传统方法仅为79%。

Lehman说：“过去，我们可能建议切除所有高风险病灶。但现在，如果模型确定病灶在特定患者中癌变几率很低，我们就可以与患者更详细地讨论选择。对于某些患者，基于影像随访而非手术切除病灶更为合理。”

明年，MGH将把该模型纳入临床实践，团队也在进一步优化模型。未来，这种机器学习方法有望用于更多癌症治疗评估，对改变传统“一刀切”模式具有重要参考意义。