Trots stora framsteg inom genetik och modern avbildning, diagnosen överraskar de flesta bröstcancerpatienter. För vissa, det kommer för sent. Senare diagnos innebär aggressiva behandlingar, osäkra utfall, och fler sjukvårdskostnader. Som ett resultat, identifiera patienter har varit en central pelare i bröstcancerforskning och effektiv tidig upptäckt.

Med det i åtanke, ett team från MIT:s datavetenskapliga och artificiella intelligenslaboratorium (CSAIL) och Massachusetts General Hospital (MGH) har skapat en ny djupinlärningsmodell som kan förutsäga från ett mammogram om en patient sannolikt kommer att utveckla bröstcancer så mycket som fem år under framtida. Tränade på mammografi och kända resultat från över 60, 000 MGH -patienter, modellen lärde sig de subtila mönstren i bröstvävnad som är föregångare till maligna tumörer.

MIT -professor Regina Barzilay, själv en bröstcanceröverlevande, säger att förhoppningen är att system som dessa ska göra det möjligt för läkare att skräddarsy screening- och förebyggande program på individnivå, att göra sen diagnos till en levnad från det förflutna.

Även om mammografi har visat sig minska dödligheten i bröstcancer, det pågår fortsatt debatt om hur ofta man ska screena och när man ska börja. Medan American Cancer Society rekommenderar årlig screening från 45 års ålder, USA:s förebyggande arbetsgrupp rekommenderar screening vartannat år från 50 års ålder.

"I stället för att ta en one-size-fits-all-strategi, vi kan anpassa screening kring en kvinnas risk att utveckla cancer, "säger Barzilay, senior författare till en ny uppsats om projektet ute i dag inom radiologi. "Till exempel, en läkare kan rekommendera att en grupp kvinnor får ett mammogram vartannat år, medan en annan högre riskgrupp kan få kompletterande MR-screening. "Barzilay är Delta Electronics Professor vid CSAIL och Institutionen för elektroteknik och datavetenskap vid MIT och medlem av Koch Institute for Integrative Cancer Research vid MIT.

Teamets modell var betydligt bättre på att förutsäga risker än befintliga tillvägagångssätt:Den placerade exakt 31 procent av alla cancerpatienter i sin kategori med högsta risk, jämfört med bara 18 procent för traditionella modeller.

Harvardprofessor Constance Lehman säger att det tidigare varit minimalt stöd i det medicinska samhället för screeningstrategier som är riskbaserade snarare än åldersbaserade.

"Detta beror på att innan vi inte hade exakta riskbedömningsverktyg som fungerade för enskilda kvinnor, säger Lehman, professor i radiologi vid Harvard Medical School och avdelningschef för bröstavbildning vid MGH. "Vårt arbete är det första som visar att det är möjligt."

Barzilay och Lehman skrev tidningen tillsammans med huvudförfattaren Adam Yala, en CSAIL Ph.D. studerande. Andra MIT-medförfattare inkluderar Ph.D. studenten Tal Schuster och tidigare masterstudenten Tally Portnoi.

Hur det fungerar

Sedan den första riskmodellen för bröstcancer från 1989, utvecklingen har till stor del drivits av mänsklig kunskap och intuition om vilka stora riskfaktorer som kan vara, som ålder, familjehistoria av bröst- och äggstockscancer, hormonella och reproduktiva faktorer, och brösttäthet.

Dock, de flesta av dessa markörer är endast svagt korrelerade med bröstcancer. Som ett resultat, sådana modeller är fortfarande inte särskilt exakta på individnivå, och många organisationer anser fortfarande att riskbaserade screeningprogram inte är möjliga, med tanke på dessa begränsningar.

Snarare än att manuellt identifiera mönstren i ett mammogram som driver framtida cancer, MIT/MGH-teamet utbildade en djupinlärningsmodell för att härleda mönstren direkt från data. Med hjälp av information från mer än 90, 000 mammogram, modellen upptäckte mönster för subtila för det mänskliga ögat att upptäcka.

"Sedan 1960 -talet har radiologer märkt att kvinnor har unika och mycket varierande mönster av bröstvävnad som syns på mammogrammet, "säger Lehman." Dessa mönster kan representera genetikens inflytande, hormoner, graviditet, laktation, diet, viktminskning, och viktökning. Vi kan nu utnyttja denna detaljerade information för att vara mer exakt i vår riskbedömning på individnivå. "

Att göra cancerdetektering mer rättvist

Projektet syftar också till att göra riskbedömningen mer exakt för rasminoriteter, särskilt. Många tidiga modeller utvecklades på vita populationer, och var mycket mindre exakta för andra lopp. MIT/MGH -modellen, under tiden, är lika exakt för vita och svarta kvinnor. Detta är särskilt viktigt med tanke på att svarta kvinnor har visat sig vara 42 procent mer benägna att dö av bröstcancer på grund av ett stort antal faktorer som kan inkludera skillnader i upptäckt och tillgång till sjukvård.

"Det är särskilt slående att modellen fungerar lika bra för vita och svarta människor, vilket inte har varit fallet med tidigare verktyg, "säger Allison Kurian, docent i medicin och hälsoforskning/policy vid Stanford University School of Medicine. "Om den valideras och görs tillgänglig för utbredd användning, detta kan verkligen förbättra våra nuvarande strategier för att uppskatta risk. "

Barzilay säger att deras system också en dag skulle kunna göra det möjligt för läkare att använda mammogram för att se om patienter löper större risk för andra hälsoproblem, som hjärt -kärlsjukdom eller annan cancer. Forskarna är ivriga att tillämpa modellerna på andra sjukdomar och sjukdomar, och särskilt de med mindre effektiva riskmodeller, som cancer i bukspottskörteln.

"Vårt mål är att göra dessa framsteg till en del av vårdstandarden, "säger Yala." Genom att förutsäga vem som kommer att utveckla cancer i framtiden, vi kan förhoppningsvis rädda liv och fånga cancer innan symptom någonsin uppstår. "

Denna artikel publiceras på nytt med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.