人工智能网络帮助医生分析乳房异常X线片恶性的可能性
(Surgery 2001;129:459-66)
用人工智能网络和逻辑回归模式这两种预测软件均可预测乳房X线片异常病人是否活检为恶性。
南卡罗来那州Spartanburg Regional医学中心的Richard Orr博士分析了1288例乳房X线摄片异常的女性。
人工智能网络(ANNs)是一个越来越受欢迎的预测工具，通过输入一系列有价值的临床参数，经过分析，可产生一系列结果，然后用作预测模式。ANNs对没有线性解答的诊断问题特别有吸引力。
几项研究显示，用ANNs预测乳房X线摄片异常病人癌症可能性的准确率要比有经验的放射科医生好。但研究人员注意到，这需要8-43项临床或放射学参数，因此对较忙的临床医生不实用。另一种预测方法是逻辑回归软件，但目前还没有应用到乳房X线片异常这个临床问题。
, http://www.100md.com
这项研究的病人为没有触摸到病变和超声检查未发现囊性病变的病人。在这些病人中，有617例行病理活检，发现185例为恶性，其中70%为浸润癌，其余的为原位癌。中值随访时间为51月。对没有进行活检的病人至少随访一年。
ANN方法用商业软件包(Neuroshell2, Ward Systems Group)。研究人员将病人分为3组，一组为训练组，490例病人，另二组为实验组分别有454例和344例病人。模式的输入参数包括病人年龄、怀疑程度、异常类型(明显肿块、异常密度、微钙化或不对称)和稳定性(随时间变化情况)。输出结果为良性或恶性。
同样，用NCSS软件建立逻辑回归模式来寻找最理想的变量数目，以产生ROC曲线下最大面积的模式。ROC曲线是一种统计学分析方法，1.0代表最大预测能力。输入的5个变量为年龄、两种凭印象得出的虚拟变量、有无微小钙化的出现和异常乳房X线摄片情况有无进展。
外科医生预测708例为良性，这其中后来发现有13例是恶性。其中的9例由于其它危险因素或病人要求而及时进行了活检。其它4例在6-36个月后由于乳房X线摄片图象改变进行活检而发现的。用ROC曲线对外科医生良恶性预测总体能力评价结果为0.86。
, 百拇医药
ANN模式的ROC曲线下面积为0.91，比外科医生预测准确率高。智能网络仅漏诊2例(外科医生漏诊13例)，这2例均为年轻女性、导管内癌。智能网络可综合分析不同于良性肿瘤的其它异常表现资料。
逻辑回归模式分析稍微比ANN模式差一点，为0.86。可是逻辑回归模式发现了外科医生漏诊的同样病例和ANN模式同样预测错误的2例病例。
预测模式如ANN软件的能力在于将最好的临床医生(变量选择)和用来分配相对权数的数学方法结合起来。内科医生能决定重要的变量但将相对权数分配到每一个参数有一定的困难，因此ANN和其它方法十分重要。
与发表在放射学著作上的更为复杂的ANN模式相比，这项研究结果应用简单、需要输入的数据少。几乎和ANN模式一样，临床医生也会很喜欢。逻辑回归模式更容易理解，它用概率代替的未知框的权数，可利用现成的统计学软件，便于携带到其它地方，可被不同的工作人员和软件复制，而ANN模式不行。
在临床环境下应用ANN模式可能产生潜在的限制，即网络非常依赖乳房X线摄片的阅片者，因此不能传输到其它工作单位。就实用性来说，数字危险性评估为外科医生和放射科医生对建议病人随访提供了帮助，同时要考虑不包括在模式中的其它因素如病人和医生对恶性肿瘤漏诊的态度及活检作用。研究人员得出结论，应告诉那些医生认为恶性可能性小、模式分析恶性危险性低于1%的病人，尽管恶性程度低但不是零。, http://www.100md.com
用人工智能网络和逻辑回归模式这两种预测软件均可预测乳房X线片异常病人是否活检为恶性。
南卡罗来那州Spartanburg Regional医学中心的Richard Orr博士分析了1288例乳房X线摄片异常的女性。
人工智能网络(ANNs)是一个越来越受欢迎的预测工具，通过输入一系列有价值的临床参数，经过分析，可产生一系列结果，然后用作预测模式。ANNs对没有线性解答的诊断问题特别有吸引力。
几项研究显示，用ANNs预测乳房X线摄片异常病人癌症可能性的准确率要比有经验的放射科医生好。但研究人员注意到，这需要8-43项临床或放射学参数，因此对较忙的临床医生不实用。另一种预测方法是逻辑回归软件，但目前还没有应用到乳房X线片异常这个临床问题。
, http://www.100md.com
这项研究的病人为没有触摸到病变和超声检查未发现囊性病变的病人。在这些病人中，有617例行病理活检，发现185例为恶性，其中70%为浸润癌，其余的为原位癌。中值随访时间为51月。对没有进行活检的病人至少随访一年。
ANN方法用商业软件包(Neuroshell2, Ward Systems Group)。研究人员将病人分为3组，一组为训练组，490例病人，另二组为实验组分别有454例和344例病人。模式的输入参数包括病人年龄、怀疑程度、异常类型(明显肿块、异常密度、微钙化或不对称)和稳定性(随时间变化情况)。输出结果为良性或恶性。
同样，用NCSS软件建立逻辑回归模式来寻找最理想的变量数目，以产生ROC曲线下最大面积的模式。ROC曲线是一种统计学分析方法，1.0代表最大预测能力。输入的5个变量为年龄、两种凭印象得出的虚拟变量、有无微小钙化的出现和异常乳房X线摄片情况有无进展。
外科医生预测708例为良性，这其中后来发现有13例是恶性。其中的9例由于其它危险因素或病人要求而及时进行了活检。其它4例在6-36个月后由于乳房X线摄片图象改变进行活检而发现的。用ROC曲线对外科医生良恶性预测总体能力评价结果为0.86。
, 百拇医药
ANN模式的ROC曲线下面积为0.91，比外科医生预测准确率高。智能网络仅漏诊2例(外科医生漏诊13例)，这2例均为年轻女性、导管内癌。智能网络可综合分析不同于良性肿瘤的其它异常表现资料。
逻辑回归模式分析稍微比ANN模式差一点，为0.86。可是逻辑回归模式发现了外科医生漏诊的同样病例和ANN模式同样预测错误的2例病例。
预测模式如ANN软件的能力在于将最好的临床医生(变量选择)和用来分配相对权数的数学方法结合起来。内科医生能决定重要的变量但将相对权数分配到每一个参数有一定的困难，因此ANN和其它方法十分重要。
与发表在放射学著作上的更为复杂的ANN模式相比，这项研究结果应用简单、需要输入的数据少。几乎和ANN模式一样，临床医生也会很喜欢。逻辑回归模式更容易理解，它用概率代替的未知框的权数，可利用现成的统计学软件，便于携带到其它地方，可被不同的工作人员和软件复制，而ANN模式不行。
在临床环境下应用ANN模式可能产生潜在的限制，即网络非常依赖乳房X线摄片的阅片者，因此不能传输到其它工作单位。就实用性来说，数字危险性评估为外科医生和放射科医生对建议病人随访提供了帮助，同时要考虑不包括在模式中的其它因素如病人和医生对恶性肿瘤漏诊的态度及活检作用。研究人员得出结论，应告诉那些医生认为恶性可能性小、模式分析恶性危险性低于1%的病人，尽管恶性程度低但不是零。, http://www.100md.com