机器学习在乳腺癌筛查和抑郁症诊断中的应用

2019年8月，某机构与某中心宣布合作推进癌症诊断、精准医疗、电子健康记录和医学影像等领域的创新。获得某机构研究奖项支持的研究团队运用机器学习技术研究乳腺癌风险、识别抑郁症标志物，并探索肿瘤生长驱动因素。

乳腺癌风险预测研究

由放射学副教授领导的团队使用深度学习系统分析乳腺X光影像，以预测短期乳腺癌发病风险。研究团队收集了226名患者的452张匿名筛查影像，其中半数后续罹患乳腺癌。研究团队利用某中心的机器学习工具，采用两种不同模型分析影像特征，结果显示两种模型的表现均优于目前主要使用的乳腺密度指标。

该团队模型在综合敏感性和特异性的指标上，较现有模型提升33%-35%。副教授表示：“这项初步工作证明了应用深度学习方法深入解读乳腺X光影像以提升乳腺癌风险评估的可行性和前景。“更准确的风险预测工具可用于指导临床决策，包括随访影像检查频率和其他预防性监测形式，从而减少不必要的检查程序，降低患者焦虑和医疗成本。

抑郁症检测技术开发

在另一个项目中，计算机科学副教授与临床研究员合作开发能自动测量个体行为细微变化（如面部表情和语言使用）的传感技术，这些变化可作为抑郁症的生物标志物。该技术将与传统临床评估结果进行对比，以评估技术性能并进行改进。

研究团队基于数万个多模态样本训练机器学习模型，涵盖语言、声学和视觉等多个维度。通过在某中心服务上使用多个GPU并行运行实验，研究人员将模型训练时间从数周缩短至数天。快速客观的抑郁症标志物可帮助临床医生更有效地评估患者基线，识别可能被漏诊的患者，并更准确地测量患者对干预措施的反应。

研究展望

乳腺癌和抑郁症研究项目只是该合作计划的冰山一角。研究团队将继续在更多训练样本和纵向影像数据上开展研究，并计划将深度学习与已知临床风险因素相结合，以提升乳腺癌的早期诊断和治疗能力。这些机器学习技术的创新有望为全球患者带来新的诊疗方案。