乳腺癌仍然是全球性挑战，2018年导致了60万多人死亡。为了实现早期癌症检测，全世界的卫生组织都建议进行乳房X线检查。尽管乳腺钼靶筛查具有明确的价值，但显著的假阳性和假阴性率以及专业人员的不均匀性仍为改善质量和获取机会提供了机会。为了解决这些局限性，近来人们对将深度学习应用于乳腺X线照相术产生了浓厚的兴趣，这些努力突出了两个关键难题：获取大量带注释的训练数据，以及确保不同人群、购置设备和方式都适用。有鉴于此，美国DeepHealth 公司的A. Gregory Sorensen、William Lotter等研究人员，发现深度学习方法可通过乳房摄影术实现可靠的乳腺癌检测。

本文要点

1）研究人员提供了一种注释有效的深度学习方法，该方法（1）在乳房X线照片分类中达到了最先进的性能；（2）成功地扩展到了数字乳房断层合成（DBT；'3D乳房X线照片'）；（3）在临床乳房X线照片阴性结果中检测到癌症；（4）普遍适用于筛查率低的人群；（5）优于专门的乳房成像专家，平均敏感性提高14％。

2）通过从DBT数据创建新的“最大怀疑投影”（MSP）图像，研究人员经过逐步训练的多实例学习方法仅使用乳房级别的标签有效地训练了DBT考试，同时保持了本地的可解释性。

本文研究表明，该软件可以提高全球X线钼靶筛查的准确性并提高其可获取性。

参考文献：

William Lotter, et al. Robust breast cancer detection in mammography and digital breast tomosynthesis using an annotation-efficient deep learning approach. Nature Medicine, 2020.

DOI：10.1038/s41591-020-01174-9

https://www.nature.com/articles/s41591-020-01174-9