研究者Joann Elmore表示，從一開始就得到正確的診斷結果是非常重要的，這樣才能夠幫助我們對患者進行最有效地診斷和治療；2015年研究人員發現，病理學家對乳腺癌活組織檢查結果的解釋存在很多不一致的想法，而且每年有數百萬女性都會接受乳腺活組織檢查手術；早期研究結果表明，每6名原位導管癌（一種非侵入性的乳腺癌）的女性中就有1名會出現錯誤診斷，而且大約一半的乳腺異型性活組織檢查病例（與高風險乳腺癌相關的異常細胞）都會被給出錯誤的診斷。

 

研究者指出，乳腺活組織檢查的醫學圖像中包含大量復雜的數據，對這些數據進行解釋可能會帶有大量的主觀色彩，將乳腺異型性與導管原位癌進行有效區分在臨床治療上非常重要，但對于病理學家而言卻非常有挑戰性，有時候，當臨床醫生在一年之后看到同樣的病例時，甚至會推翻之前自己的診斷結果。人工智能或許能通過繪制大量的數據集來提供持續的較為準確的閱讀結果，該系統能夠有效識別與癌癥相關樣本的模式，這一點人類通過肉眼似乎是無法有效區分的。

 

這項研究中，研究人員將240份乳腺活組織樣本圖像輸入到電腦中，隨后進行訓練使其能夠識別與多種類型乳腺病灶相關的模式，這些乳腺病灶包括良性病變、異型性、導管原位癌（DCIS）或侵襲性乳腺癌等，此外，每幅圖片的正確診斷需要三位病理學專家的共同商討才能決定。為了檢測這套新型人工智能系統，研究人員將其閱讀的結果與87名美國職業病理學家獨立的診斷結果進行對比，在區分癌癥和非癌癥病例方面，人工智能與人類醫生幾乎一樣出色，在區分DCIS和異型性上人工智能優于臨床醫生，異型性被認為是乳腺癌診斷中臨床醫生所面臨的最大挑戰。 這種人工智能系統能夠準確確定掃描所展示的DCIS或異型性是否比臨床醫生更為頻繁，其靈敏度在0.88-0.89之間，而病理學家的平均靈敏度僅為0.70，較高的靈敏度得分提示診斷和分類的可能性越大。研究者Elmore表示，本文研究結果鼓舞人心，目前美國臨床病理學家對非典型增生（異型性）和導管原位癌的診斷準確率較低，而基于計算機的自動診斷方法或許能夠展現出良好的前景，后期研究人員還將深入研究來訓練該系統對黑色素瘤進行更加準確地診斷，相關研究由NIH癌癥研究所提供資助。