医生通过检查乳腺组织活检图像来诊断乳腺癌。但癌性图像与良性图像之间的差异，人眼可能难以分辨。这种新算法有助于解读这些图像，视任务而定，其准确度接近或优于经验丰富的病理学家。
“这项研究的重点在于，通过分析乳腺活检全切片图像中导管周围组织类别的分布模式，捕捉不同诊断类别的特征，”共同作者琳达·夏皮罗（Linda Shapiro）说。她是华盛顿大学保罗·G·艾伦计算机科学与工程学院及电气与计算机工程系的教授。
“我的博士生Ezgi Mercan发明了一种名为‘结构特征’的新型描述符，能够以紧凑的方式表示这些模式，用于机器学习。”
误诊
华盛顿大学医学院此前的一项研究发现，病理学家对乳腺活检结果的解读常常存在分歧，而每年有数百万女性需要接受此类活检。
该研究显示，对于被诊断为一种名为“原位导管癌”的非浸润性乳腺癌的女性，约有六分之一出现了诊断错误。此外，对于约一半伴有异常细胞的女性，即与乳腺癌风险较高相关的一种称为乳腺不典型增生的情况，她们得到的活检诊断结果也不正确。
“乳腺活检的医学图像包含大量复杂数据，对其进行解读可能具有很强的主观性，”共同作者乔安·埃尔莫尔（Joann Elmore）说。她是加利福尼亚大学洛杉矶分校的医学教授，此前曾任华盛顿大学内科学教授。
“区分乳腺不典型增生与原位导管癌在临床上非常重要，但对病理学家而言极具挑战性。有时，即使医生在一年后看到同一病例，也会与自己先前的诊断意见不一致。”
超越乳腺癌
科学家们推断，人工智能可以持续提供更准确的读片结果。该系统使用大型数据集，使机器学习系统能够识别与癌症相关的模式，而这些模式可能是医生难以察觉的。在研究病理学家解读乳腺活检时所采用的策略后，研究团队开发了专门针对这些挑战的图像分析方法。
研究团队将240张乳腺活检图像输入计算机，训练其识别与多种乳腺病变相关的模式，这些病变类型涵盖非癌性病变、不典型增生、原位导管癌以及浸润性乳腺癌。正确诊断结果由三名资深病理学家共同确定。
为测试该系统，研究人员将其读片结果与87名在美国执业的病理学家对相同病例做出的独立诊断进行了比较。在区分癌性与非癌性病变方面，该算法的表现已接近人类医生。
但在区分原位导管癌与不典型增生方面，该算法表现优于医生：其对癌前乳腺活检的正确诊断率约为89%，而病理学家的正确诊断率为70%。
“这些结果非常令人鼓舞，”埃尔莫尔说，“美国执业病理学家在诊断不典型增生和原位导管癌时准确率较低，而基于计算机的自动化方法显示出巨大的潜力。”
研究人员目前正致力于训练该系统以诊断皮肤癌。
Mercan是该论文的第一作者，该论文发表于《JAMA Network Open》。其他作者来自华盛顿大学、南俄亥俄病理学咨询公司以及佛蒙特大学。该研究由美国国立卫生研究院资助。
