在被当前在用的诊断工具识别出有癌症高发风险之后，美国每年有近 4 万妇女经受着通过侵入性手术来切除部分乳腺组织的痛苦。然而在这些手术中，大多数组织都是良性的。于是对许多研究人员来说，改进检测和诊断工具，就成为了一个重要的课题。麻省理工学院（MIT）计算机科学与人工智能实验室（CSAIL）的研究人员们，就开发出了一套机器学习技术加持的人工智能系统，可用来预测哪部分高危组织最有可能发生癌变。

MIT CSAIL 开发的模型，可以减少假阳性和不必要的手术（via Adam Conner-Simons）

当前阶段，乳房 X 射线照片依然是发现乳腺癌的最重要的诊断工具。在从 X 光片上看到可疑的病变组织之后，随后会安排针刺活检。

一般来说，如果活检发现异常，患者就会被建议手术切除病灶。但在 90% 的情况下，这些疑似病灶组织都是良性的，显得外科手术并没有那么必要。

论文合著者 Regina Barzilay 表示：

由于诊断工具的不准确，医生对乳腺癌的过渡筛查呈现出了一种可以理解的趋势。但当数据存在很大的不确定的时候，机器学习就成为了一款改进检测和防止过度医疗的更合适工具。

来自 MIT CSAIL、麻省综合医院（MGH）、以及哈佛医学院的研究团队，联手开发了一套机器学习模型，并让它接受了 600 个高风险病灶的分析训练。

在综合了家族遗传史、人口统计、以及过往的组织活检等变量之后，该模型对 335 个病灶（最终升级为癌症的病患）进行了测试，结果诊断准确率达到了 97% 。

这项研究的结论是：

在将该机器学习模型引入常规诊断实践后，超过 30% 的良性病灶切除术是可以避免的。

有关这项研究的详情，已经发表在近日出版的《放射学》（Radiology）期刊上。