小編發現不少朋友對于 深度學習工具可巧妙地引導患者走向或遠離乳房活檢 這方面的信息都比較感興趣，小編就針對 深度學習工具可巧妙地引導患者走向或遠離乳房活檢 整理了一些相關方面的信息 在這里分享給大家。

得克薩斯州和的研究人員已經合作開發了一種深度學習工具，可以精確地評估乳房X線照片中存在令人擔憂的病變的患者的乳腺癌風險以及進行活檢的必要性。

他們的主要成就是訓練一種算法，以將其定位在明確定義的患者亞組中，這些患者的乳房X光檢查結果歸為BI-RADS 4(放射學院開發的評分范圍為0至6)。

休斯頓衛理公會的資深作者Stephen Wong博士及其同事于 5月29日在JCO Clinical Cancer Informatics上發表了他們的工作。

在概述其項目的目標時，研究小組指出，在整個乳房X線攝影人群中，假陽性結果的比率僅為7%至10%。

但是，在BI-RADS 4中，它占了70%。

這組作者寫道：“由于BI-RADS詞典的應用中觀察者之間存在很大差異，因此活檢的決定差異很大，并導致過度診斷和過多的活檢。”

許多BI-RADS 4患者被送去進行不必要的活檢，這不僅有其自身的風險，而且還會使患有過度焦慮癥的患者受到影響。

Wong和同事建立了完善的風險評估模型，使用自然語言處理和深度學習流程對來自5,000名患者的記錄進行了算法訓練。培訓集不僅包括乳房X線照片和人口統計學數據，還包括放射學和病理學報告。

他們還收集并計算了BI-RADS 4患者的主要臨床特征。他們希望以此為基礎，為活檢建議建立一個指標測量指標，他們希望該指標能夠證明其臨床相關性，豐富的信息并且比傳統的BI-RADS 4評分更為準確。

為了驗證他們的新系統，他們評估了來自1,200多名BI-RADS 4患者的數據。

經過分析，他們發現自己的方法(被稱為BRISK乳腺癌風險計算器)具有100%的敏感性(正確識別真正的癌癥)，74%的特異性(排除非癌性病變)和總體準確性為81 %。

作者總結說：“異常乳腺X線攝影的風險使用了集成的人工智能技術，并且在預測惡性腫瘤方面顯示出很高的敏感性。” “前瞻性評估正在進行中，可以在做出有關活檢的明智決定時改善患者-醫師的參與。”