人工智能可以快速准确地排除密集乳房中的癌症
发现：光学显微镜有哪些结构？
深度 Shapley 附加解释 (SHAP) 叠加图像的示例。最大强度投影 (MIP) 图像位于左侧，带有 SHAP 叠加层的 MIP 图像位于右侧。正 SHAP 值（红色）显示导致病变存在概率高的区域，负 SHAP 值（蓝色）显示概率降低的位置。(A) 乳腺成像报告和数据系统 (BI-RADS) 类别 4 的 57 岁女性浸润性导管癌的对比增强乳腺 MRI 扫描的矢状面 MIP 图像。深度学习 (DL) 模型产生了病变存在的概率为 90%。阳性 SHAP 值（红色）与病变位置（箭头）一致。(B) 53 岁 BI-RADS 评分为 1 分的女性，乳腺 MRI 对比增强扫描的矢状面 MIP 图像，无病变。DL 模型得出的病变存在概率为 11%。负 SHAP 值（蓝色）广泛分布在乳房区域。(C) BI-RADS 4 分的 65 岁女性导管原位癌的对比增强乳腺 MRI 扫描的横向 MIP 图像。DL 模型得出的病变存在概率为 32%，这是我们研究中所有患有恶性疾病的乳房中的最低概率值。阳性 SHAP 值（红色）与病变位置（箭头）一致。图片来源：北美放射学会 DL 模型得出的病变存在概率为 32%，这是我们研究中所有患有恶性疾病的乳房中的最低概率值。阳性 SHAP 值（红色）与病变位置（箭头）一致。图片来源：北美放射学会 DL 模型得出的病变存在概率为 32%，这是我们研究中所有患有恶性疾病的乳房中的最低概率值。阳性 SHAP 值（红色）与病变位置（箭头）一致。图片来源：北美放射学会
根据发表在《放射学》杂志上的一项研究，使用人工智能 (AI) 的自动化系统可以快速准确地筛选乳房致密女性的乳房 MRI，以消除未患癌症的女性，从而使放射科医生能够专注于更复杂的病例 。
乳房 X 光检查通过在癌症最可治疗时提供早期检测，帮助减少了乳腺癌的死亡。然而，对于乳房极度致密的女性，它的敏感性低于乳房脂肪丰富的女性。此外，乳房极度致密的女性患乳腺癌的风险是乳房几乎全是脂肪的女性的三到六倍，是普通女性的两倍。
对乳房极其致密的女性进行补充筛查可提高癌症检测的灵敏度。来自荷兰的一项大型研究密集组织和早期乳腺肿瘤筛查 (DENSE) 试验的研究支持使用 MRI 进行补充筛查。
“DENSE 试验表明，对乳房极其致密的女性进行额外的 MRI 筛查是有益的，”该研究的主要作者、荷兰乌得勒支大学医学中心图像科学研究所的硕士 Erik Verburg 说。“另一方面，DENSE 试验证实，绝大多数接受筛查的女性在 MRI 上没有任何可疑发现。”
由于大多数 MRI 显示可能不需要放射检查的正常解剖和生理变化，因此需要对这些正常 MRI 进行分类以减少放射科医生工作量的方法。
在第一项此类研究中，Verburg 及其同事着手确定基于深度学习（一种复杂的人工智能）的自动分类方法的可行性。他们使用来自 DENSE 试验的乳房 MRI 数据来开发和训练深度学习模型，以区分有无病变的乳房。该模型根据来自七家医院的数据进行了训练，并根据来自第八家医院的数据进行了测试。
包括 4,500 多个极其致密乳房的 MRI 数据集。在 9,162 个乳房中，838 个至少有 1 个病变，其中 77 个是恶性的，8,324 个没有病变。
深度学习模型认为 90.7% 的 MRI 有病变是不正常的，并将它们分类为放射检查。它忽略了大约 40% 的无病灶 MRI，而没有漏掉任何癌症。
Verburg 说：“我们表明，可以安全地使用人工智能来消除乳房筛查 MRI，而不会遗漏任何恶性疾病。” “结果好于预期。百分之四十是一个好的开始。但是，我们还有 60% 的地方需要改进。”
Verburg 说，基于人工智能的分类系统有可能显着减少放射科医生的工作量。仅在荷兰，就有近 82,000 名女性可能有资格根据乳房密度进行两年一次的 MRI 乳房筛查。
“这种方法首先可以用来帮助放射科医生减少整体阅读时间，”Verburg 说。“因此，可以有更多时间专注于真正复杂的乳房 MRI 检查。”
研究人员计划在其他数据集中验证该模型，并将其部署在 DENSE 试验的后续筛选轮次中。