機器學習可區分 High-Risk Breast Lesion 惡性度以減少不必要的手術
註：這是個 MGH 和哈佛共同合作的研究，主要是在討論已知 breast 切片病理後要不要進一步手術的問題，而不是從影像來區分是否該不該切片，老實說和影像診斷的關係不大。
實務上如果 breast lesion core biopsy 出來的結果是 high risk lesion (HRL)，一般而言都會建議再做 surgical excision，但其實真正是 malignancy 的機率並不高（約 10%），會有 over treatment 的情形。他們 training 了一個 machine learning model，可以從病人的基本資料、core biopsy 的病理報告推算出之後做 surgical excision 而升級為 malignancy 的機率。
他們將 1006 個 core biopsy 為 HRL (包含 ADH, atypical lobular hyperplasia, LCIS, papilloma, radial scar …) 的病人資料，例如 age, drinking, family history …, 影像資料，例如 breast density, BI-RADS category …, 和 core-biopsy 的病理報告資料，例如 pathology, prior biopsy, 或是有沒有 severely 這類的形容詞，用 random forest classifier 這個 machine learning 的 model，做出了一個預測系統，如果系統判定惡性的可能性 > 5%，則會建議後續手術 excision，否則繼續追蹤。
經 test 組 (約佔所有 data 的三分之一) 的驗證，這個系統的 cancer detection rate 為 97.4% (sensitivity) ，而 benign lesion 也建議去手術的比率是 69.4% (false positive rate)，這個數值看起來好像不怎麼樣，但它代表的是，如果每個 HRL (100%) 都建議去開刀，而這個系統可以避免 30.6% 的 case 開出來其實是 benign 的情形。
這個機制提供的是一種有點像是在病理層面 BI-RADS 3 – probably benign 的概念，如果 core biopsy 的結果可以再細分，的確有一部份人是可以考慮追蹤而不必每個都去手術的。
