乳房X光照相技術(shù)能夠降低乳腺癌死亡率是一個公認的事實。與替代篩查相關(guān)的假陽性高召回率加快了IBM、麻省理工學(xué)院計算機科學(xué)與人工智能實驗室等機構(gòu)對人工智能驅(qū)動系統(tǒng)的開發(fā)。但它們并不完美，因為與更多最近的測試相比，大多數(shù)模型只進行過一次單一的篩選測試。

這一缺陷促使紐約大學(xué)數(shù)據(jù)科學(xué)中心和放射學(xué)系的一組研究人員提出了一個機器學(xué)習(xí)框架，即篩查先前檢查時生成的不同種類乳房X光照片，利用先前的檢查結(jié)果做出診斷。他們說，在初步測試中，它降低了基線（基線就是被用為對比模型表現(xiàn)參考點的簡單模型�；�線幫助模型開發(fā)者量化模型在特定問題上的預(yù)期表現(xiàn)）的錯誤率，并在預(yù)測篩查人群的惡性腫瘤時，達到了0．8664的曲線下面積（在所有分類閾值下的性能指標，即預(yù)測的準確率）。

合著者寫道：“放射科醫(yī)生經(jīng)常將目前的乳房X光照片與之前的照片進行比較，以便做出更明智的診斷。例如，如果一個可疑的區(qū)域隨著時間的推移變得越來越大或密度越來越大，放射科醫(yī)生就會更加確信它是惡性的。相反，如果一個可疑的區(qū)域沒有增長，那么它可能是良性的�！�

該團隊在紐約大學(xué)開源乳腺癌篩查數(shù)據(jù)集上訓(xùn)練了一組機器學(xué)習(xí)模型，每組篩查中至少包含一張圖像，對應(yīng)于乳房X光攝影篩查中常用的四種視圖（右顱尾側(cè)、左顱尾側(cè)、右中外側(cè)斜肌和左中外側(cè)斜�。�。他們使用了四種二元標簽來表示左乳或右乳有無良、惡性的發(fā)現(xiàn)，并且只考慮了包括患者在內(nèi)的數(shù)據(jù)集的子集，而這些數(shù)據(jù)集之前的檢查數(shù)據(jù)都是可獲得的。

實驗所收集的數(shù)據(jù)庫中包含了來自43013名患者的127451份檢查，其中有2519份至少進行了一次活體組織切片檢查。

該團隊根據(jù)這些數(shù)據(jù)訓(xùn)練了一系列機器學(xué)習(xí)模型，然后僅使用訓(xùn)練數(shù)據(jù)集的一部分來比較它們的性能。他們注意到，與良性預(yù)測的基線相比，其效果并沒有明顯的改善，他們將其歸因于算法傾向于關(guān)注掃描區(qū)域的顯著變化。（而良性的改變并不明顯。）但他們發(fā)現(xiàn)，其中一個模型——AlignLocalCompare——對惡性腫瘤的發(fā)現(xiàn)表現(xiàn)出明顯的改善，預(yù)測腫瘤發(fā)生的可能性為0．97，而基線預(yù)測僅為0．73。