根據發表在《JCO Clinical Cancer Informatics》雜志上的新研究，一種新的機器學習模型可以讓醫生確定非典型導管增生（ADH）是否會升級為癌癥。該模型可以在手術前識別出所有惡性病例的98%，同時使16%的婦女無需進行良性病變的手術。

ADH是一種乳腺病變，會使患乳腺癌的風險增加四到五倍。通常，通過乳腺攝影發現ADH，并通過活檢證實其存在。在《診斷放射學當前問題》中 發表的先前研究發現，95%的乳腺成像儀建議 對活檢期間發現的所有ADH病例進行手術切除，以確定病變是否為癌。

達特茅斯大學生物醫學數據科學和流行病學助理教授賽義德·哈桑普爾（Saeed Hassanpour）博士和同事寫道：“所有ADH病變的切除都可能導致過度治療，從而導致許多女性進行良性病變的侵入性手術。” “一種預測ADH升級的機器學習方法可以幫助臨床醫生和患者確定主動監測和激素治療相結合是否是手術切除的合理替代方案。”

Hassanpour及其同事尋求找到一種機器學習算法，以幫助醫生和患者確定主動監視和激素療法是否可以替代手術。

研究人員在新罕布什爾州的一家學術護理中心評估了124名女性的128個病變，這些女性在2011年至2017年接受手術的活檢中表現出ADH。他們開發了六種不同的機器學習模型，以計算從核心針穿刺活檢（梯度增強樹）中ADH的提高，隨機森林，徑向支持向量機（SVM），加權K最近鄰（KNN），邏輯Logistic彈性網和邏輯回歸。

表現最佳的模型是精度為78%的梯度增強樹和精度為77%的隨機林。此外，決定ADH升級為癌癥的最重要的重要特征是：活檢年齡，病變大小，活檢次數，針規和乳腺癌的個人/家族史。

根據研究人員的說法，隨機森林模型可以通過手術活檢診斷出98%的惡性腫瘤，如果使用的話，可以使16%的婦女免于不必要的良性病變手術。

Hassanpour在一份準備好的聲明中說：“我們的模型可以潛在地幫助患者和臨床醫生在低風險病例中選擇另一種治療方法。在個性化醫療時代，這樣的模型對于重視共同決策的患者可能是理想的這種方法具有在確定手術切除率和進行監測的手術切除率之間進行選擇的能力，從而避免了將ADH升級為癌癥的低風險女性的成本，壓力和潛在的副作用。”

該團隊希望擴大其機器學習模型的范圍，以包括其他高風險的乳腺病變。此外，他們計劃使用州級和國家乳腺癌注冊機構在外部數據集上進一步驗證其模型。