深度学习工具可巧妙地引导患者走向或远离乳房活检

小编发现不少朋友对于 深度学习工具可巧妙地引导患者走向或远离乳房活检 这方面的信息都比较感兴趣，小编就针对 深度学习工具可巧妙地引导患者走向或远离乳房活检 整理了一些相关方面的信息 在这里分享给大家。

得克萨斯州和的研究人员已经合作开发了一种深度学习工具，可以精确地评估乳房X线照片中存在令人担忧的病变的患者的乳腺癌风险以及进行活检的必要性。

他们的主要成就是训练一种算法，以将其定位在明确定义的患者亚组中，这些患者的乳房X光检查结果归为BI-RADS 4(放射学院开发的评分范围为0至6)。

休斯顿卫理公会的资深作者Stephen Wong博士及其同事于 5月29日在JCO Clinical Cancer Informatics上发表了他们的工作。

在概述其项目的目标时，研究小组指出，在整个乳房X线摄影人群中，假阳性结果的比率仅为7%至10%。

但是，在BI-RADS 4中，它占了70%。

这组作者写道：“由于BI-RADS词典的应用中观察者之间存在很大差异，因此活检的决定差异很大，并导致过度诊断和过多的活检。”

许多BI-RADS 4患者被送去进行不必要的活检，这不仅有其自身的风险，而且还会使患有过度焦虑症的患者受到影响。

Wong和同事建立了完善的风险评估模型，使用自然语言处理和深度学习流程对来自5,000名患者的记录进行了算法训练。培训集不仅包括乳房X线照片和人口统计学数据，还包括放射学和病理学报告。

他们还收集并计算了BI-RADS 4患者的主要临床特征。他们希望以此为基础，为活检建议建立一个指标测量指标，他们希望该指标能够证明其临床相关性，丰富的信息并且比传统的BI-RADS 4评分更为准确。

为了验证他们的新系统，他们评估了来自1,200多名BI-RADS 4患者的数据。

经过分析，他们发现自己的方法(被称为BRISK乳腺癌风险计算器)具有100%的敏感性(正确识别真正的癌症)，74%的特异性(排除非癌性病变)和总体准确性为81 %。

作者总结说：“异常乳腺X线摄影的风险使用了集成的人工智能技术，并且在预测恶性肿瘤方面显示出很高的敏感性。” “前瞻性评估正在进行中，可以在做出有关活检的明智决定时改善患者-医师的参与。”