深度学习模型已被成功地用于患者,可能会导致更多的一致的安检程序
生物

来自麻省理工学院和马萨诸塞州总医院的研究人员开发了一个自动化的模型评估致密的乳房组织在乳房x线照片——这是乳腺癌的一个独立危险因素——专家放射科医生一样可靠。

乳腺密度更大的可靠性评估


这标志着第一次深度学习的模型已经成功地用于一个诊所在真正的病人,根据研究人员。与广泛的实现,研究人员希望乳房密度的模型可以帮助带来更大的可靠性评估。

据估计,超过40%的美国女性有致密的乳房组织,这就会增加乳腺癌的风险。此外,致密的组织可以掩盖癌症在乳房x光检查,使筛选更加困难。作为一个结果,30日美国要求女性必须通知如果乳房x线照片表明他们有致密的乳房。

但是乳腺密度评估依赖于人类的主观评估。由于许多因素,结果——在放射科医生——有时千差万别。

麻省理工学院和MGH人员训练一个深度学习模型在成千上万的高质量数字乳房x线照片学会区分不同类型的乳腺组织,从脂肪密度极高,根据专家评估。给定一个新的乳房x光检查,该模型可以确定一个密度测量,密切与专家意见。

创建一个准确和一致的工具


”乳腺密度是一个独立的危险因素,驱使我们如何与女性罹患癌症的风险。我们的动机是创建一个准确和一致的工具,可以共享,使用在卫生保健系统,”亚当说,博士生在麻省理工学院的计算机科学与人工智能实验室(CSAIL)和第二作者的一篇论文描述了模型最近发表在“放射学”。

其他的合作者是第一作者雷曼康士坦茨湖,哈佛医学院放射学教授和主任在MGH乳房成像;CSAIL的博士生Tal舒斯特尔;凯尔斯万森的18岁CSAIL的研究人员和研究生学院的电气工程和计算机科学;和资深作者Regina,22三角洲电子CSAIL的教授和美国麻省理工学院的电气工程和计算机科学和科赫研究所的成员在麻省理工学院综合癌症研究。

映射密度


模型是建立在一个卷积神经网络(CNN),也用于计算机视觉任务。研究人员训练和测试他们的模型的数据集超过58岁000随机选择乳房x线照片从超过39岁000名妇女在2009年和2011年之间的筛选。的培训,他们使用在41岁000乳房x光检查,进行检测,约600年乳房x光片。

每个乳房x光检查的数据集都有一个标准的乳腺影像报告和数据系统(BI-RADS)乳腺密度等级四类:脂肪,分散(分散密度),异构(主要是密度),和密度。在这两个乳房x光检查的培训和测试,约40%被评估为异构和密度。

在培训过程中,给出的模型是随机的乳房x光成像分析。它学会了地图的乳房x光检查专家放射科医师密度评级。

致密的乳房,例如,含有腺和纤维结缔组织,表现为契约网络厚的白线和坚实的白色斑块。脂肪组织网络显得更薄,与灰色地带。在测试中,模型观察新乳房x光检查和密度预测最可能的类别。

匹配评估


该模型在MGH乳房成像部门实施。在传统的工作流,当一个乳房x光检查,是发送到工作站的放射科医生评估。

研究者的模型是安装在一个单独的机器,拦截扫描之前到达放射科医生,和每个乳房x光检查密度等级分配。放射科医生打开扫描时他们的工作站,他们会看到分配模型的评级,然后他们接受或拒绝。

”每个图像需要不到一秒……,它可以很容易和便宜了在医院。”也拉说。

在超过10,000年乳房x线照片在MGH今年从1月到5月,模型实现了94%的协议在医院的放射科医生在一个二进制的测试——决定乳房要么是异构和密度,或脂肪和分散。

高质量的数据集


在所有四个BI-RADS类别,它匹配的放射科医生评估为90%。”MGH是乳房成像中心高inter-radiologist协议,这个高质量的数据使我们发展一个强大的模型,”也拉说。

一般测试使用原始数据集,模型匹配原始人类专家解释四个BI-RADS类别和77%,在二进制的测试中,匹配的解释为87%。

与传统的预测模型相比,研究人员使用一个度量称为kappa评分,1表明,预测在每次取得一致,和任何低表明协议的实例较少。

Kappa评分为商用自动density-assessment模型得分最高约为0.6。在临床应用,得分0.85 kappa评分和研究者的模型,在测试中,得分0.67。这意味着该模型比传统模型更好的预测。

在另一个实验中,研究人员测试模型的协议共识从五个MGH放射科医生从500年随机测试乳房x光片。

乳房x光检查的放射科医生分配乳腺密度没有知识的原始评估,或同行”或模型的评估。在这个实验中,该模型实现了kappa评分0.78与放射科医生的共识。

接下来,研究人员旨在规模模型到其他医院。”在此基础上构建转化经验,我们将探索如何麻省理工学院开发的机器学习算法过渡到诊所惠及成千上万的病人,”,22说。

”这是麻省理工学院的新中心的宪章——机器学习的阿卜杜勒·拉蒂夫·贾米尔诊所卫生麻省理工学院——这是最近推出了。我们兴奋的新机会开放中心。””

//www.bjgzb.com/wp-content/uploads/2018/10/a-aaaabre.jpg//www.bjgzb.com/wp-content/uploads/2018/10/a-aaaabre-300x300.jpg大卫baillie gifford生物生物医学,癌症,麻省理工学院
麻省理工学院和马萨诸塞州总医院的研究人员开发了一个自动化模型,可以像专业放射科医生一样可靠地评估乳腺X光片中密集的乳腺组织,这是乳腺癌的一个独立危险因素。更高的乳腺密度评估可靠性标志着这是第一次对乳腺癌进行深入学习。