根据发表在《JCO Clinical Cancer Informatics》杂志上的一项新研究，一种新的机器学习模型可以使医生确定非典型导管增生(ADH)是否会升级为癌症。该模型可以在术前识别98%的所有恶性病例，同时，16%的女性良性病变不需要手术。

多动症是一种乳腺疾病，会使患乳腺癌的风险增加4到5倍。通常，注意力缺陷多动症是通过乳房x光检查发现的，并通过活检证实。之前发表在《诊断放射学当前问题》的研究发现，95%的乳腺成像者建议对活检中发现的所有多动症病例进行手术切除，以确定病变是否为癌症。

达特茅斯大学生物医学数据科学与流行病学助理教授Saeed Hassanpour博士及其同事写道：“切除所有ADH病变可能会导致过度治疗，这将导致许多女性接受良性病变的侵入性手术。”“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和他的同事试图找到一种机器学习算法，帮助医生和患者确定主动监测和激素治疗是否可以取代手术。

新罕布什尔州一所学术护理中心的研究人员评估了2011年至2017年活检中显示多动症的124名女性的128处病变。他们开发了六种不同的机器学习模型，从核心针活检(梯度增强树)、随机森林、径向支持向量机(SVM)、加权K近邻(KNN)、logistic弹性网络和Logistic回归计算ADH的改善。

最好的模型是准确率为78%的梯度增强树和准确率为77%的随机森林。此外，决定多动症发展为癌症的最重要特征是：活检年龄、病变大小、活检次数、针距和乳腺癌的个人/家族史。

据研究人员称，随机森林模型可以通过手术活检诊断98%的恶性肿瘤，如果使用，它可以使16%的女性免于不必要的良性病变手术。

Hassanpour在一份准备好的声明中说：“我们的模型有可能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，这样的模式对于重视共同决策的患者来说可能是理想的。这种方法能够在确定手术切除率和监测手术切除率之间进行选择，从而避免了将多动症升级为癌症的低风险女性的成本、压力和潜在副作用。”

该团队希望扩大其机器学习模型的范围，以包括其他高危乳腺病变。此外，他们计划利用州和国家乳腺癌登记处，在外部数据集上进一步验证他们的模型。

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

标签:AI

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：