對(duì)乳腺癌的早期篩查一直是機(jī)器學(xué)習(xí)的一個(gè)熱門(mén)研究方向,可是已有的篩查模型大多數(shù)依賴(lài)于白人女性樣本,因此對(duì)于非白人女性的篩查準(zhǔn)確率令人堪憂(yōu)。
最近麻省理工開(kāi)發(fā)的新模型不僅很好地解決了這個(gè)問(wèn)題,而且還能夠提前五年篩查出乳腺癌病患!
這一項(xiàng)突破性研究,標(biāo)志著深度學(xué)習(xí)技術(shù)推動(dòng)下的醫(yī)學(xué)進(jìn)步,可以提前了解病情,做針對(duì)性治療,這對(duì)于病患來(lái)說(shuō),是一大福祉。
Regina Barzilay和Lehman與CSAIL博士生的主要作者Adam Yala共同撰寫(xiě)了這篇論文。
已有的篩查模型
之前的疾病篩查模型大多是CNN(卷積神經(jīng)網(wǎng)絡(luò))的改良版本,CNN是前饋神經(jīng)網(wǎng)絡(luò),模擬人的視覺(jué)對(duì)于圖像的理解。網(wǎng)絡(luò)結(jié)構(gòu)中的卷積核提取圖像的邊緣、輪廓等信息,Relu等激活函數(shù)模擬大腦對(duì)于外界信號(hào)刺激的應(yīng)答,對(duì)提取到的圖像信息做整合,淺層卷積層提取到局部的圖像信息,層數(shù)越深的卷積層能提取到全局的圖像信息,在CV(Computer Version)領(lǐng)域也稱(chēng)為感受野(Receptive Field),CNN網(wǎng)絡(luò)模型對(duì)于圖像的分類(lèi)任務(wù)處理十分友好,下圖很好地展示了CNN網(wǎng)絡(luò)的結(jié)構(gòu)和原理:
CNN圖像理解示意圖
疾病篩查任務(wù)也就是二分類(lèi)任務(wù),對(duì)于輸入的圖像,需要得到是否患病的判斷。給醫(yī)學(xué)圖片做標(biāo)簽(在計(jì)算機(jī)科學(xué)中標(biāo)記為0或1,0表示沒(méi)有患病,1表示患?。谀P椭?,通過(guò)Label(標(biāo)記)好圖片的訓(xùn)練和反向傳播的參數(shù)調(diào)整,使得模型具備一定的學(xué)習(xí)能力,最終能夠?qū)ξ礃?biāo)記的醫(yī)學(xué)圖片做疾病篩查。但是訓(xùn)練的結(jié)果依靠數(shù)據(jù)集的好壞,已有的很多乳腺癌預(yù)測(cè)數(shù)據(jù)集都偏向于白人女性的研究,鮮少考慮到其他族裔。麻神理工大學(xué)研究人員開(kāi)發(fā)的診斷模型考慮到了這一點(diǎn)。
將研究擴(kuò)展到少數(shù)族裔
麻省理工的研究人員在一篇博客中指出,事實(shí)上這個(gè)看起來(lái)不起眼的一個(gè)細(xì)節(jié)是乳腺癌預(yù)測(cè)的關(guān)鍵:因?yàn)楹谌伺运烙谌橄侔┑母怕时劝兹伺愿?42%。而正是目前的乳腺癌早期診斷技術(shù)中對(duì)黑人女性的診斷模型缺失造成了這一巨大差異,因?yàn)榘ê谌伺栽趦?nèi)的少數(shù)族裔樣本在已有的深度學(xué)習(xí)模型開(kāi)發(fā)中通常鮮有被考慮進(jìn)去。
而麻省理工的研究人員表示,他們對(duì)乳腺癌預(yù)測(cè)模型的研究正是為了彌補(bǔ)這一缺陷,他們希望通過(guò)這一研究提高對(duì)少數(shù)族裔健康評(píng)估的準(zhǔn)確性。針對(duì)同一個(gè)問(wèn)題的研究同時(shí)也是近期很多業(yè)界公司研究和產(chǎn)品開(kāi)發(fā)的重心。
模型結(jié)果表明,對(duì)于黑人和白人女性的預(yù)測(cè)效果都相當(dāng)好。
之所以強(qiáng)調(diào)對(duì)黑人與白人女性的效果一樣好,是因?yàn)檠芯咳藛T在開(kāi)發(fā)過(guò)程中發(fā)現(xiàn)同類(lèi)的人工智能模型存在大量偏差——因?yàn)樗鼈儗?duì)樣本的采集嚴(yán)重地傾向白人女性,黑人女性則很少。因此來(lái)自麻省理工的研究團(tuán)隊(duì)仔細(xì)地設(shè)計(jì)了他們的模型,使得它對(duì)于兩種族裔的女性都能夠很好地作出預(yù)測(cè)。
基于風(fēng)險(xiǎn)評(píng)估的提前預(yù)測(cè)
麻省理工學(xué)院教授Regina Barzilay本人是一名乳腺癌幸存者,她表示希望這樣的系統(tǒng)能讓醫(yī)生在個(gè)人層面定制篩查和預(yù)防計(jì)劃,使得晚期診斷成為歷史。
所有性別都有患乳腺癌的風(fēng)險(xiǎn),而大部分人通常認(rèn)為只影響女性。自1989年第一個(gè)乳腺癌風(fēng)險(xiǎn)模型以來(lái),研究者發(fā)展患乳腺癌的風(fēng)險(xiǎn)在很大程度上取決于人類(lèi)的知識(shí)和對(duì)主要危險(xiǎn)因素的直覺(jué),如年齡、乳腺癌和卵巢癌的家族史、激素和生殖因素以及乳房密度。
然而,這些標(biāo)志物中的大多數(shù)僅與乳腺癌微弱相關(guān)。因此,這些模型在個(gè)人層面上仍然不是很準(zhǔn)確,并且鑒于這些限制,許多組織仍然認(rèn)為基于風(fēng)險(xiǎn)的篩查計(jì)劃是不可能的。
另一方面,“自20世紀(jì)60年代以來(lái),放射科醫(yī)生已經(jīng)注意到女性在乳房X線(xiàn)照片上可以看到獨(dú)特且變化很大的乳房組織模式,”Lehma說(shuō)?!斑@些模式可以代表遺傳,激素,懷孕,哺乳,飲食,體重減輕和體重增加的影響。我們現(xiàn)在可以在個(gè)人層面的風(fēng)險(xiǎn)評(píng)估中更準(zhǔn)確地利用這些詳細(xì)信息?!?/p>
不同于已有的預(yù)測(cè)模型,麻省理工計(jì)算機(jī)與人工智能實(shí)驗(yàn)室開(kāi)發(fā)出的模型準(zhǔn)確地將31%的癌癥患者置于風(fēng)險(xiǎn)最高的類(lèi)別,而傳統(tǒng)模型僅為18%,可以至多提前五年預(yù)測(cè)乳腺癌細(xì)胞發(fā)展。
數(shù)據(jù)集來(lái)源
MIT / MGH團(tuán)隊(duì)不是手動(dòng)識(shí)別乳房X線(xiàn)照片中驅(qū)動(dòng)未來(lái)癌癥的模式,而是訓(xùn)練深度學(xué)習(xí)模型直接從數(shù)據(jù)中誘導(dǎo)模式。麻省理工開(kāi)發(fā)的這一預(yù)測(cè)模型的開(kāi)發(fā)基于超過(guò)六萬(wàn)名來(lái)自麻省總醫(yī)院(Massachusetts General Hospital)的病人樣本,其中包括超過(guò)九萬(wàn)份乳房X光檢查報(bào)告和病人們病情發(fā)展情況。
這一模型從這些數(shù)據(jù)出發(fā),通過(guò)深度學(xué)習(xí)甚至能夠辨識(shí)出一些人類(lèi)醫(yī)生都無(wú)法辨認(rèn)出的病情。因?yàn)橐延械年P(guān)于乳腺癌的假設(shè)和風(fēng)險(xiǎn)因素都充其量是一個(gè)指導(dǎo)性的判斷框架,而麻省理工的這個(gè)模型并不是基于類(lèi)似的框架,因此模型的準(zhǔn)確性在預(yù)測(cè)性診斷和預(yù)篩查方面會(huì)更加準(zhǔn)確。
總結(jié)與展望
總的來(lái)說(shuō),麻省理工計(jì)算機(jī)與人工智能實(shí)驗(yàn)室的這一項(xiàng)目旨在協(xié)助醫(yī)生們?yōu)椴∪吮M早選擇正確的治療方案,而不是像現(xiàn)在的大多數(shù)情況下一樣,在病人們的病情惡化甚至發(fā)展到晚期時(shí)才告訴他們這一殘酷的事實(shí)。
同時(shí),最近在nature中也有報(bào)道,對(duì)于BRCA1和BRCA2基因的突變檢測(cè)也能更有效地開(kāi)展乳腺癌的治療。
展望未來(lái),來(lái)自麻省理工的團(tuán)隊(duì)希望能夠用這一技術(shù)來(lái)提高其他類(lèi)似疾病的預(yù)測(cè)準(zhǔn)確性,如通過(guò)掃描腦部結(jié)構(gòu),可以對(duì)阿爾茨海默病和多發(fā)性硬化癥做預(yù)測(cè),同理也可以對(duì)心血管疾病做預(yù)測(cè)。只要針對(duì)某種疾病的研究已經(jīng)有成型的風(fēng)險(xiǎn)模型,這一技術(shù)就有可能大大提高對(duì)它預(yù)診斷的準(zhǔn)確性。
-
麻省理工
+關(guān)注
關(guān)注
0文章
39瀏覽量
12281 -
人工智能
+關(guān)注
關(guān)注
1789文章
46348瀏覽量
236506
原文標(biāo)題:乳腺癌預(yù)測(cè)模型只有白人女性數(shù)據(jù),MIT剛剛把它擴(kuò)展到了所有族裔
文章出處:【微信號(hào):BigDataDigest,微信公眾號(hào):大數(shù)據(jù)文摘】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論