目前，治療癌症除了不要得癌症以外，最好的解決辦法就是儘早發現癌症，簡而言之，我們需要預測誰將來會患上癌症。相關研究人員一直想透過人工智慧（AI）預測癌症，但是由於過程太過複雜，在實驗群體中表現不佳，同時對種族的不確定性，人工智慧在醫學中的運用受到了限制。

兩年前，由麻省理工學院計算機科學與人工智慧實驗室（CSAIL）和傑米爾診所（J-Clinic）組成的科學家團隊展示了一種深度學習系統，可以僅使用患者的乳房X線照片來預測癌症風險。該模型給我們巨大的希望，尤其是該模型具有更高的包容性：白人和黑人婦女都同樣準確。這一點特別重要，因為黑人婦女死於乳腺癌的可能性增加了43％。

但是，為了將基於影象的風險模型整合到臨床護理中並使其廣泛使用，研究人員表示，這些模型既需要演算法改進，又需要在多家醫院進行大規模驗證，以證明其穩健性。

為此，他們量身定製了新的“ Mirai”演算法，以捕捉風險建模的獨特要求。Mirai聯合模擬了多個未來時間點的患者風險，並且可以選擇受益於年齡或家族病史等臨床風險因素（如果有）。該演算法還設計用於產生在臨床環境中較小差異之間一致的預測，例如乳腺X線攝影機的選擇。

強大的人工智慧工具可用於預測未來的乳腺癌。

該團隊在先前的工作中對來自馬薩諸塞州總醫院（MGH）的200,000多個考試的相同資料集進行了Mirai培訓，並在MGH，瑞典卡羅林斯卡研究所和臺灣長庚紀念醫院的測試儀上對Mirai進行了驗證。Mirai現在已安裝在MGH，團隊的合作者正在積極致力於將模型整合到護理中。

在所有三個資料集中，Mirai在預測癌症風險和識別高風險人群方面比以前的方法準確得多。在比較MGH測試集上的高風險人群時，研究小組發現，與目前的臨床標準Tyrer-Cuzick模型相比，他們的模型確定的未來癌症診斷要多出將近兩倍。在MGH測試集中不同種族，年齡組和乳房密度類別的患者以及在Karolinska測試集中不同癌症亞型的患者，Mirai的準確性相似。

“改善的乳腺癌風險模型可以實現有針對性的篩查策略，實現比現有指南更早發現的篩查方法，並且篩查危害比現有指南少。” CSAIL博士研究生，《 Mirai》論文的主要作者亞當·亞拉（Adam Yala）於本週在《科學轉化醫學》上發表了一篇論文。“我們的目標是使這些進步成為護理標準的一部分。我們正在與北卡羅來納州的Novant Health，喬治亞州的Emory，以色列的Maccabi，墨西哥的TecSalud，印度的Apollo和巴西的Barretos的臨床醫生合作，以進一步驗證針對不同人群的模型，並研究如何最好地在臨床上實施該模型。”

這個如何運作

儘管乳腺癌篩查已被廣泛採用，但研究人員稱這種做法充滿爭議：更具攻擊性的篩查策略旨在最大程度地發揮早期發現的優勢，而頻率較低的篩查旨在減少假陽性，焦慮和成本降低甚至永遠都不會患乳腺癌的人。

當前的臨床指南使用風險模型來確定應推薦哪些患者進行補充成像和MRI。一些指南使用年齡剛開始的風險模型來確定是否應該以及多久對女性進行一次篩查。其他人則結合了與年齡，激素，遺傳學和乳房密度有關的多種因素，以確定進一步的檢查方法。儘管經過數十年的努力，臨床實踐中使用的風險模型的準確性仍然不高。

最近，基於深度學習乳腺攝影的風險模型顯示出令人鼓舞的效能。為了將這項技術帶入臨床，研究團隊確定了他們認為對風險建模至關重要的三項創新：聯合建模時間，可選使用非影象風險因素以及確保在整個臨床環境中保持一致性能的方法。

1次

風險建模的本質是從具有不同隨訪量的患者那裡學習，並在不同時間點評估風險：這可以確定他們進行篩查的頻率，是否應該進行補充影像檢查，甚至考慮採取預防性治療。

儘管可以訓練不同的模型來評估每個時間點的風險，但是這種方法可能會導致沒有意義的風險評估-例如預測患者兩年內患癌症的風險要高於五年內患癌症的風險。 。為了解決這個問題，該團隊設計了模型，以使用稱為“附加危害層”的工具在所有時間點同時預測風險。

加性危害層的工作方式如下：他們的網路預測患者在某個時間點（例如五年）的風險，作為其在先前時間點（例如四年）的風險的擴充套件。透過這樣做，他們的模型可以從具有不同後續量的資料中學習，然後進行自洽的風險評估。

非影象風險因素

儘管此方法主要關注乳房X線照片，但該團隊還希望使用非影象風險因素，例如年齡和荷爾蒙因素（如果可用），但在測試時不需要。一種方法是將這些因素作為帶有影象的模型的輸入，但是這種設計將阻止大多數沒有此基礎架構的醫院（例如Karolinska和CGMH）使用該模型。

為了使Mirai無需風險因素而從風險因素中受益，網路會在訓練時預測該資訊，如果資訊不存在，則可以使用其自己的預測版本。乳房X線照片是健康資訊的豐富來源，因此許多傳統的危險因素，例如年齡和更年期狀態，都可以透過其成像輕鬆預測。這種設計的結果是，全球任何一家診所都可以使用相同的模型，如果他們擁有其他資訊，則可以使用它。

在整個臨床環境中表現一致

要將深度學習風險模型納入臨床指南，這些模型必須在不同的臨床環境中始終如一地執行，並且其預測不會受到細微變化的影響，例如使用乳房X線照片的機器。即使在一家醫院中，科學家們也發現，在進行乳房X線攝影機更換之前和之後，標準培訓無法產生一致的預測，因為演算法可以學習依賴於特定於環境的不同線索。為了消除該模型的偏見，團隊使用了一種對抗方案，其中該模型專門學習與源臨床環境一致的乳房X線照片表示，以產生一致的預測。

為了進一步測試這些更新在不同臨床環境中的作用，科學家們對來自瑞典Karolinska和臺灣長庚紀念醫院的新測試儀上的Mirai進行了評估，發現其效能穩定。該團隊還分析了該模型在MGH測試集中各個種族，年齡和乳房密度類別以及在Karolinska資料集上各個癌症亞型之間的表現，發現其在所有亞組中的表現相似。

麻薩諸塞州總醫院的乳腺外科醫師Salewai Oseni說：“非裔美國婦女在年輕時就經常出現乳腺癌，而且往往處於晚期。” “這再加上該組中三陰性乳腺癌的發生率更高，導致乳腺癌死亡率增加。這項研究證明了風險模型的發展，該模型的預測在整個種族中具有顯著的準確性。臨床上使用它的機會很高。”

這是Mirai的工作方式：

1.乳房X射線照片透過“影象編碼器”放置。

2.每個影象表示形式以及它來自哪個檢視，都會與其他檢視中的其他影象進行彙總，以獲得整個乳房X線照片的表示。

3.使用乳房X光檢查，可以使用Tyrer-Cuzick模型預測患者的傳統危險因素（年齡，體重，荷爾蒙因素）。如果不可用，則使用預測值。

4.利用此資訊，附加危害層可以預測未來五年中每年的患者風險。

改善未來

儘管當前模型未檢視患者先前的任何成像結果，但是隨著時間的推移，成像變化會包含大量資訊。將來，該團隊旨在建立可以有效利用患者完整影像史的方法。

研究小組以類似的方式指出，可以透過利用X射線技術“篩查合成”篩查無症狀癌症患者來進一步改善該模型。除了提高準確性外，還需要進行其他研究來確定如何將基於影象的風險模型應用於資料有限的不同乳腺攝影裝置。

“我們知道MRI可以比乳房X線照相術更早地發現癌症，而且儘早發現可以改善患者的預後，” Yala說。“但是對於癌症風險較低的患者，假陽性的風險可能會超過收益。藉助改進的風險模型，我們可以設計出更細緻的風險篩查指南，從而為罹患癌症的患者提供更敏感的篩查（如MRI），從而獲得更好的結果，同時減少其餘患者的不必要篩查和過度治療。”

Yala與MIT研究專家Peter G. Mikhael，卡羅林斯卡大學醫院的放射科醫生Fredrik Strand，長庚紀念醫院的Gigin Lin，KTH皇家理工學院副教授Kevin Smith，長庚萬教授一起在Mirai上撰寫了這篇論文大學，MGH的Leslie Lamb，MGH的Kevin Hughes，MGH的資深作家和哈佛醫學院教授Constance Lehman，以及MIT的資深作家和教授Regina Barzilay。

這項工作得到了Susan G Komen，乳腺癌研究基金會，Quanta Computing和MIT Jameel Clinic的資助。它也得到了長庚醫學基金會贈款和斯德哥爾摩蘭斯蘭德HMT贈款的支援。