在美國，大約12％的女性會在一生中患上侵襲性乳腺癌，預計僅到2020年，就有26．8萬例新病例會被診斷出來。幸運的是，根據美國癌癥協會的數據，5年平均生存率相當高，為85－99％，而10年平均生存率可以達到83％。但和往常一樣，早期檢測是造成差異的因素。

在本月發表在《Radiology》雜志上的一篇論文中，位于以色列海法的IBM Research科學家詳細描述了一個人工智能模型，它能夠預測患者一年內惡性乳腺癌的發展。同行評審的結果表明，他們的系統正確預測了癌癥和良性病例的發展分別為87％和77％。此外，它還接受了包含9611張乳房X光片和健康記錄的新數據庫的訓練，能夠在48％的人身上識別出乳腺癌，而其他人則不會被標記出來，其準確度與放射科醫生相當。

海法團隊的工作建立在IBM蘇黎世辦事處和蘇黎世大學科學家進行的一項研究的基礎上，該研究構建了一個系統，可以檢測和分類腫瘤與免疫細胞以及它們之間的關系。谷歌、麻省理工學院和紐約大學也在努力提高乳腺癌篩查的準確性。

“有一天，我們的模型可以幫助放射科醫生確認或否認乳腺癌陽性病例，”IBM研究員兼論文合著者Michal Chorev在一篇博客文章中寫道。“盡管假陽性會造成巨大的壓力和焦慮，但假陰性往往會妨礙癌癥的早期發現和隨后的治療。”

為了編輯一套訓練數據集，Chorev和同事們收集了與患者電子健康記錄相關的臨床數據和生物標志物相關的已識別乳腺造影圖像，包括（但不限于）甲狀腺功能、生殖史、白細胞概況、代謝綜合征和其他信息。他們把這些數據——也包括活組織檢查的隨訪、癌癥登記數據、實驗室結果以及各種其他程序和診斷的代碼——輸入到一個機器學習模型中，該模型映射了臨床危險因素之間的聯系，以預測活組織惡性腫瘤，并區分正常和異常篩查檢查。

當涉及到乳房X光掃描時，研究小組主要使用了來自以色列醫療服務提供商Maccabi Health Services和Assuta Medical Center的頭蓋骨（CC）和中外側斜位（MLO）的兩種乳房X光檢查標準視圖，這兩種視圖經常在評估病變時進行比較。最后，他們的數據集包含了52936張來自13234名女性的圖像，這些女性在2013至2017年間至少接受了一次乳房X光檢查，并且在乳房X光檢查之前至少有一年的健康記錄。

一種人工智能算法，針對每個預測任務對乳房X光片進行訓練，并提取這些任務以及每個視圖的成像任務的概率。最后，他們將成像特征以及整個臨床特征集合連接到一個單一的患者乳房的表示中。使用單獨的人工智能模型估計癌活檢陽性或正常／異常分化的最終概率。

研究人員說，他們的系統推測出可能導致風險升高的臨床因素，但在之前的研究中沒有使用，如白細胞概況和甲狀腺功能測試。“我們計劃繼續分析這些臨床風險因素，以更好地了解它們對個人個性化風險的影響和聯系，”Chorev補充道。