根據發表在《放射學》上的一項研究，一個使用人工智慧（AI）的自動化系統可以快速而準確地篩選出具有緻密型乳腺的女性的乳房核磁共振成像，以排除那些沒有癌症的人，從而使放射科醫生能夠專注於更複雜的病例。

乳房X光檢查通過在癌症最易治療時提供早期檢測，幫助減少了乳腺癌的死亡。 然而，它對具有緻密型乳腺的女性的敏感度較低。 此外，乳腺極度緻密的女性患乳腺癌的風險比具有脂肪型乳腺的女性高三至六倍，比普通女性高兩倍。

對乳腺極度緻密的女性進行補充篩查可提高癌症檢測的靈敏度。 緻密組織和早期乳腺腫瘤篩查（DENSE）試驗是一項基於荷蘭的大型研究，其研究結果支援使用MRI進行補充篩查。

“DENSE試驗顯示，對乳腺極度緻密的女性進行額外的MRI篩查是有益的，”研究主要作者、來自荷蘭烏特勒支大學醫學中心圖像科學研究所的Erik Verburg碩士說。 “另一方面，DENSE試驗證實，絕大多數被篩查的女性在MRI上沒有任何可疑的發現”。

由於大多數核磁共振成像顯示正常的解剖和生理變化，可能不需要進行放射學審查，因此需要對這些正常的核磁共振成像進行分流以減少放射科醫生的工作量。

在第一個此類研究中，Verburg及其同事著手確定基於深度學習（一種複雜的人工智慧）的自動分流方法的可行性。 他們使用來自DENSE試驗的乳腺MRI數據來開發和訓練深度學習模型，以區分有病變和無病變的乳房。 該模型在七家醫院的數據上進行訓練，並在第八家醫院的數據上進行測試。

超過4500個極度緻密乳房的MRI數據集被納入其中。 在9162個乳房中，838個至少有一個病變，其中77個是惡性的，8324個沒有病變。

深度學習模型認為90.7%的有病變的核磁共振成像是不正常的，並將它們分流到放射科審查。 它駁回了大約40%的無病變MRI，而沒有遺漏任何癌症。

Verburg說：「我們的研究表明，有可能安全地使用人工智慧來駁回乳腺篩查MRI而不遺漏任何惡性疾病。 結果比預期的要好。 40%是一個良好的開始。 然而，我們仍有60%需要改進。 “

Verburg說，基於人工智慧的分流系統有可能大大減少放射醫師的工作量。 僅在荷蘭，就有近8.2萬名女性可能有資格根據乳腺組織密度接受兩年一次的核磁共振乳房篩查。

“這種方法首先可以用來協助放射科醫生減少總體閱讀時間，”Verburg說。 “因此，可以有更多的時間來專注於真正複雜的乳腺MRI檢查。”

研究人員計劃在其他數據集中驗證該模型，並在DENSE試驗的後續篩查回合中部署它。