深度学习模型根据乳房密度估计癌症风险

乳腺癌是影响全世界女性的最常见癌症。据癌​​症协会称，约有八分之一的女性在其一生中会患上乳腺癌。虽然不可能完全预防乳腺癌，但各种医疗组织建议定期筛查以在早期发现和治疗病例。乳房密度定义为乳房内纤维腺体组织的比例，通常用于评估患乳腺癌的风险。虽然有多种方法可用于估计此测量值，但研究表明，放射科医生根据视觉模拟量表进行的主观评估比任何其他方法都更准确。

由于乳房密度的专家评估在乳腺癌风险评估中起着至关重要的作用，因此非常需要开发可以自动估计这种风险的图像分析框架，其准确性与经验丰富的放射科医生相同。为此，由英国曼彻斯特大学的 Susan M. Astley 教授领导的研究人员最近开发并测试了一种新的基于深度学习的模型，该模型能够高精度地估计乳房密度。他们的发现发表在医学影像学杂志上。

“基于深度学习的方法的优势在于它可以从数据本身自动提取特征，”Astley 解释道。“这对乳房密度估计很有吸引力，因为我们不完全理解为什么主观专家判断优于其他方法。”

通常，由于数据集有限，训练用于医学图像分析的深度学习模型是一项具有挑战性的任务。然而，研究人员设法找到了解决这个问题的方法：他们没有从头开始构建模型，而是使用了两个独立的深度学习模型，这些模型最初是在 ImageNet 上训练的，ImageNet 是一个拥有超过一百万张图像的非医学成像数据集。这种被称为“迁移学习”的方法使他们能够用更少的医学成像数据更有效地训练模型。

研究人员使用来自 39,357 名女性的近 160,000 张全视野数字乳房 X 光图像，这些图像由专家(放射科医师、高级放射技师和乳腺医师)在视觉模拟量表上分配了密度值，开发了一种程序来估算每张乳房 X 光图像的密度分数. 目标是将乳房 X 光图像作为输入，并生成密度分数作为输出。

该过程涉及对图像进行预处理以降低训练过程的计算强度，使用深度学习模型从处理过的图像中提取特征，将特征映射到一组密度分数，然后使用集成方法组合这些分数以产生最终的密度估计。

通过这种方法，研究人员开发了高度准确的模型来估计乳房密度及其与癌症风险的相关性，同时节省了计算时间和内存。“在不确定性范围内，该模型的性能与人类专家的性能相当，”阿斯特利说。“此外，它可以更快地在小数据集或大数据集的子集上进行训练。”

值得注意的是，深度迁移学习框架不仅可用于在没有放射科医生的情况下估计乳腺癌风险，而且可用于基于其乳腺组织密度估计来训练其他医学成像模型。反过来，这可以提高癌症风险预测或图像分割等任务的性能。