乳房X光照相技術(shù)能夠降低乳腺癌死亡率是一個(gè)公認(rèn)的事實(shí)。與替代篩查相關(guān)的假陽(yáng)性高召回率加快了IBM、麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室等機(jī)構(gòu)對(duì)人工智能驅(qū)動(dòng)系統(tǒng)的開(kāi)發(fā)。但它們并不完美，因?yàn)榕c更多最近的測(cè)試相比，大多數(shù)模型只進(jìn)行過(guò)一次單一的篩選測(cè)試。

這一缺陷促使紐約大學(xué)數(shù)據(jù)科學(xué)中心和放射學(xué)系的一組研究人員提出了一個(gè)機(jī)器學(xué)習(xí)框架，即篩查先前檢查時(shí)生成的不同種類乳房X光照片，利用先前的檢查結(jié)果做出診斷。他們說(shuō)，在初步測(cè)試中，它降低了基線（基線就是被用為對(duì)比模型表現(xiàn)參考點(diǎn)的簡(jiǎn)單模型。基線幫助模型開(kāi)發(fā)者量化模型在特定問(wèn)題上的預(yù)期表現(xiàn)）的錯(cuò)誤率，并在預(yù)測(cè)篩查人群的惡性腫瘤時(shí)，達(dá)到了0．8664的曲線下面積（在所有分類閾值下的性能指標(biāo)，即預(yù)測(cè)的準(zhǔn)確率）。

合著者寫(xiě)道：“放射科醫(yī)生經(jīng)常將目前的乳房X光照片與之前的照片進(jìn)行比較，以便做出更明智的診斷。例如，如果一個(gè)可疑的區(qū)域隨著時(shí)間的推移變得越來(lái)越大或密度越來(lái)越大，放射科醫(yī)生就會(huì)更加確信它是惡性的。相反，如果一個(gè)可疑的區(qū)域沒(méi)有增長(zhǎng)，那么它可能是良性的�！�

該團(tuán)隊(duì)在紐約大學(xué)開(kāi)源乳腺癌篩查數(shù)據(jù)集上訓(xùn)練了一組機(jī)器學(xué)習(xí)模型，每組篩查中至少包含一張圖像，對(duì)應(yīng)于乳房X光攝影篩查中常用的四種視圖（右顱尾側(cè)、左顱尾側(cè)、右中外側(cè)斜肌和左中外側(cè)斜肌）。他們使用了四種二元標(biāo)簽來(lái)表示左乳或右乳有無(wú)良、惡性的發(fā)現(xiàn)，并且只考慮了包括患者在內(nèi)的數(shù)據(jù)集的子集，而這些數(shù)據(jù)集之前的檢查數(shù)據(jù)都是可獲得的。

實(shí)驗(yàn)所收集的數(shù)據(jù)庫(kù)中包含了來(lái)自43013名患者的127451份檢查，其中有2519份至少進(jìn)行了一次活體組織切片檢查。

該團(tuán)隊(duì)根據(jù)這些數(shù)據(jù)訓(xùn)練了一系列機(jī)器學(xué)習(xí)模型，然后僅使用訓(xùn)練數(shù)據(jù)集的一部分來(lái)比較它們的性能。他們注意到，與良性預(yù)測(cè)的基線相比，其效果并沒(méi)有明顯的改善，他們將其歸因于算法傾向于關(guān)注掃描區(qū)域的顯著變化。（而良性的改變并不明顯。）但他們發(fā)現(xiàn)，其中一個(gè)模型——AlignLocalCompare——對(duì)惡性腫瘤的發(fā)現(xiàn)表現(xiàn)出明顯的改善，預(yù)測(cè)腫瘤發(fā)生的可能性為0．97，而基線預(yù)測(cè)僅為0．73。