放射科醫師分析乳房 X 光照片所讀取出的乳房密度評估指標，會因人而異，而從這項指標可以看出患者是否存在罹患乳癌的風險。
一項研究發現放射科醫師將乳房 X 光照片中介於 6% 到 85% 之間的任何區域，劃分為「非均質性緻密型」或「極其緻密型」的罹癌高風險區域。
麻省理工學院的研究團隊運用神經網路，以求減少放射科醫師解讀乳房 X 光照片的差異。
麻省總醫院篩檢中心的放射科醫生使用麻省理工學院的深度學習模型。研究團隊指出，這是首度在大規模臨床實務活動的日常工作流程內部署這種模型。
更深入掌握風險
每年在美國進行約 3300 萬次篩查性乳房攝影檢查。這些篩查畫面可以在出現任何症狀前便顯示是否存在乳癌，不過這還包括另一項重要的評估項目，也就是乳房組織密度。
放射科醫師在評估乳房 X 光照片時，會按照乳房組織的密度和分布情況，將掃描結果分為四類，即脂肪型、散布型、非均質性緻密型或極其緻密型。
後兩類是需要特別注意的。乳房 X 光照片的評估結果若為非均質性緻密型或極其緻密型，代表高密度、支持性的乳房組織所佔的比例較高。與脂肪組織不同，支持性組織在乳房 X 光照片上看起來的透明度較低，會使得乳房的其它部位變得模糊，更難發現異常情況。
它也是獨立的癌症危險因素，高乳房密度女性罹患乳癌的機率，是低乳房密度女性的四到五倍。
約半數 40 至 74 歲美國女性的評估結果為乳房緻密型，代表長期來看罹患乳癌的風險較高，她們可能需要接受 MRI 等其它篩查方法。
深度學習有助於向患者提供最為一致的篩查結果，使她們更深入認識相關風險。
乳房密度是一項按照完整乳房 X 光照片進行測量的整體特徵屬性。麻省理工學院的研究生，也是報告共同作者的 Kyle Swanson 說，這使得神經網路更容易對它們進行分析。
「這不只是『有出現密集的組織嗎？』，但『是什麼結構？它整體看起來是什麼樣子？』的問題」麻省理工學院電腦科學與人工智慧實驗室博士生，也是報告第二作者的 Adam Yala 說。「神經網路可以學習那種全域模式。」
該團隊使用數千張帶有標記的數位乳房 X 光照片（由多位放射科醫師進行評估）來訓練其深度學習工具。
因此，比起單一放射科醫師的判讀內容，神經網路的乳房 X 光照片評估結果更接近多位放射科醫師一致同意的判讀內容。放射科醫師在臨床環境裡可以按照這種一致的評估結果，對掃描內容做出判斷。
將深度學習用在臨床環境
麻省總醫院篩查中心的放射科醫生從一月份開始，便在其臨床工作流程內使用深度學習模型。放射科醫師在分析乳房 X 光照片時，會看到深度學習模型做出的評估內容，並且決定是否與其保持同樣意見。
研究人員記錄了放射科醫師在解讀萬餘次的掃描內容時，接受神經網路評估結果的次數，以評估該模型是否成功。
放射科醫師在還沒先看到模型判斷結果的情況下，判讀乳房 X 光照片時，其評估結果有 87% 的情況跟神經網路一致。不過在放射科醫師有先看到深度學習的評估結果時，有 94% 的情況與模型一致。
報告結果顯示深度學習模型判讀掃描內容的精準度，與經驗豐富的放射科醫師相當，且密度評估的一致性也不斷提高。Yala 說其它未使用深度學習的自動化方法，則跟放射科醫生的意見並不一致。
到目前為止，放射科醫師已經對約1.8萬張乳房 X 光照片的評估作業使用深度學習模型，研究人員使用 NVIDIA GPU 來訓練他們使用 PyTorch 深度學習框架開發的卷積神經網路。
Yala 表示他們的目標是減少這種主觀判斷的差異性，確保患者獲得正確的風險評估結果。
他說：「這不是比誰的運氣比較好，誰都應該能給你一樣的評估結果。」
密度評估只是第一步，研究人員還在研究深度學習工具，以便提早五年找出哪些患者更有可能罹患癌症。