俄克拉荷马大学的研究人员开发了一种图像分析技术，旨在提高乳腺癌的检测和诊断。

　　郑斌，OU电气和计算机工程教授和俄克拉何马州烟草解决基金会癌症研究学者，他的研究团队开发了图像处理算法，通过分析多个数字x射线图像和建立基于统计数据学习的预测模型来生成定量图像标记。目标是开发一种新的定量图像分析方法，更好地预测癌症风险或癌症预后，最终帮助建立更有效的个性化癌症筛查和治疗策略。

　　例如，为了提高乳腺癌筛查的效果，我们回顾了一些乳腺癌的危险因素，包括年龄、乳腺密度、家族史、生活方式和一些常见易感癌症基因突变的检测结果。利用这些风险因素，人们开发了几种终生乳腺癌风险评估模型，并将其应用于流行病学研究。

　　“我们的研究是不同的。我们不打算建立另一个生命周期风险模型来与现有模型竞争。我们专注于开发和测试一种新的风险模型，以预测女性在乳房x光检查阴性后近期是否有高风险患乳腺癌，”郑解释说。

　　如果成功，该模型将有助于建立一种新的最佳个性化癌症筛查模型。因此，一个自适应调整的筛查频率和方法可以适用于每个妇女在不同的时期。

　　郑和他的研究团队一直致力于探索和识别左右乳房的图像特征及其差异或不对称性。这些图像可以融合以建立新的风险模型，以更敏感地检测可能导致在未来一到三年内发展为乳房x光检查可检测的癌症的细微图像变化和/或异常。

　　该团队首先从左右双侧乳房x光片的两个视图中识别并计算出有用的图像特征。然后，他们训练统计模型(即人工神经网络)来生成预测分数。预测分数是女性在乳房x光检查呈阴性后发展为“乳房x光检查可检测到的”乳腺癌的可能性，或者从放射科医生检测到的可疑乳房x光检查中区分恶性和良性的可能性。常规乳房x光检查已被证明可以显著降低与乳腺癌相关的死亡率，但在广泛的女性人群中进行默认检测会带来低疗效和其他并发症。放射科医生可能会错过或忽视很高比例的早期癌症，同时也会产生很高的假阳性率。

　　根据一项研究，在10年的筛查中，超过一半的女性会经历假阳性的回忆，9%的女性会接受假阳性的活检。虽然考虑到其他选择，这可能会减轻患者的负担，但假阳性并非无害。误诊可能导致社会心理问题、辐射增加、与活检相关的疼痛以及医疗费用增加。

　　“我们的初步研究结果表明，我们新的基于计算机辅助检测方案的四视图乳房x线照片的近期风险预测模型在预测近期癌症风险方面比其他现有的已知风险因素具有更高的区分能力，”郑说。

　　这项先进的预测可以帮助医学界通过关注近期内患乳腺癌风险最高的女性来改善癌症筛查工作，并减少因假阳性结果而受到伤害的女性人数。“最终目标是开发一种个性化的癌症筛查，”郑解释说。“由于癌症的发展是一个渐进的过程，我们的新模型侧重于从图像中检测这一动态过程，然后在参加基于乳房x光检查的乳腺癌筛查的女性中改善近期乳腺癌风险分层。”

　　因此，只有一小部分被划分为近期高风险的妇女应该更频繁地进行筛查，而绝大多数被划分为平均或较低的近期癌症发展风险的妇女可以更长时间间隔进行筛查——例如，每2到5年一次。这将通过减少遗漏和/或忽视的细微癌症，将放射科医生的注意力更多地集中在一小部分高风险女性上，从而提高癌症的检出率，同时也减少了年度筛查人数，并减少了绝大多数近期癌症风险较低的女性的相关假阳性回忆。

　　郑的研究目前得到了美国国家癌症研究所和俄勒冈州立大学健康科学中心斯蒂芬森癌症中心的研究资助。他的研究团队积极与其他临床和生物工程研究人员合作，他们来自俄勒冈州立大学工程学院、俄勒冈州立大学健康科学中心、匹兹堡大学和俄克拉荷马城的Mercy妇女中心，共同开发和测试新的定量图像分析方法，以提高使用乳房x光检查和乳房磁共振成像进行乳腺癌筛查的有效性。早期肺癌的预后预测及卵巢癌化疗新药临床试验的临床效益评价。

　　郑解释说:“我们试图弥合基因型生物标志物和表型图像标志物之间的研究和应用差距。”“我们的研究结果表明，定量图像标记可以为现有的生物标记和/或风险预测模型提供有用的补充信息。这两种类型的标记融合有可能在预测癌症风险和预后方面产生显著更高的性能。”