一种新的机器学习模型让医生确定非典型导管增生是否会升级为癌症

根据发表在《JCO Clinical Cancer Informatics》杂志上的新研究，一种新的机器学习模型可以让医生确定非典型导管增生（ADH）是否会升级为癌症。该模型可以在手术前识别出所有恶性病例的98%，同时使16%的妇女无需进行良性病变的手术。

ADH是一种乳腺病变，会使患乳腺癌的风险增加四到五倍。通常，通过乳腺摄影发现ADH，并通过活检证实其存在。在《诊断放射学当前问题》中 发表的先前研究发现，95%的乳腺成像仪建议 对活检期间发现的所有ADH病例进行手术切除，以确定病变是否为癌。

达特茅斯大学生物医学数据科学和流行病学助理教授赛义德·哈桑普尔（Saeed Hassanpour）博士和同事写道：“所有ADH病变的切除都可能导致过度治疗，从而导致许多女性进行良性病变的侵入性手术。” “一种预测ADH升级的机器学习方法可以帮助临床医生和患者确定主动监测和激素治疗相结合是否是手术切除的合理替代方案。”

Hassanpour及其同事寻求找到一种机器学习算法，以帮助医生和患者确定主动监视和激素疗法是否可以替代手术。

研究人员在新罕布什尔州的一家学术护理中心评估了124名女性的128个病变，这些女性在2011年至2017年接受手术的活检中表现出ADH。他们开发了六种不同的机器学习模型，以计算从核心针穿刺活检（梯度增强树）中ADH的提高，随机森林，径向支持向量机（SVM），加权K最近邻（KNN），逻辑Logistic弹性网和逻辑回归。

表现最佳的模型是精度为78%的梯度增强树和精度为77%的随机林。此外，决定ADH升级为癌症的最重要的重要特征是：活检年龄，病变大小，活检次数，针规和乳腺癌的个人/家族史。

根据研究人员的说法，随机森林模型可以通过手术活检诊断出98%的恶性肿瘤，如果使用的话，可以使16%的妇女免于不必要的良性病变手术。

Hassanpour在一份准备好的声明中说：“我们的模型可以潜在地帮助患者和临床医生在低风险病例中选择另一种治疗方法。在个性化医疗时代，这样的模型对于重视共同决策的患者可能是理想的这种方法具有在确定手术切除率和进行监测的手术切除率之间进行选择的能力，从而避免了将ADH升级为癌症的低风险女性的成本，压力和潜在的副作用。”

该团队希望扩大其机器学习模型的范围，以包括其他高风险的乳腺病变。此外，他们计划使用州级和国家乳腺癌注册机构在外部数据集上进一步验证其模型。