一項新的研究發(fā)現，結合大約一百萬(wàn)張乳腺X線(xiàn)攝影圖像進(jìn)行訓練的人工智能工具，與放射線(xiàn)醫師分析相結合，可以以大約90%的準確率識別出乳腺癌。

這項研究檢查了一種類(lèi)型的人工智能(AI)(一種機器學(xué)習計算機程序)為診斷14位放射線(xiàn)醫師檢查720 幅乳腺X線(xiàn)照片所達到的診斷價(jià)值的能力。

紐約大學(xué)格羅斯曼醫學(xué)院放射學(xué)系助理教授，高級研究作者Krzysztof Geras說(shuō)：“我們的研究發(fā)現AI在放射科醫生無(wú)法識別的數據中識別出與癌癥相關(guān)的模式，反之亦然。”

“人工智能檢測到人眼看不見(jiàn)的組織中像素級的變化，而人類(lèi)則使用了人工智能無(wú)法獲得的推理形式，”數據科學(xué)中心的附屬教師杰拉斯補充道。“我們工作的最終目標是增加而不是替代人類(lèi)放射科醫生。”

2014年，美國的女性(無(wú)癥狀)接受了超過(guò)3,900萬(wàn)例的乳房X線(xiàn)檢查，以篩查乳腺癌并確定是否需要進(jìn)行更深入的隨訪(fǎng)。將其檢查結果顯示出異常的乳房X線(xiàn)檢查結果的女性進(jìn)行活檢，該活檢是從乳房組織中取出少量樣本進(jìn)行實(shí)驗室檢查的過(guò)程。

在這項新研究中，研究團隊設計了統計技術(shù)，使他們的程序可以“學(xué)習”如何更好地完成一項任務(wù)，而無(wú)需確切地告訴他們如何做。這樣的程序會(huì )建立數學(xué)模型，從而能夠根據輸入的數據示例進(jìn)行決策，并且隨著(zhù)程序查看越來(lái)越多的數據，該程序將變得“更智能”。

從人腦中汲取靈感的現代AI方法使用復雜的電路來(lái)分層處理信息，每個(gè)步驟將信息饋送到下一個(gè)步驟，并在此過(guò)程中或多或少地為每條信息分配重要性。

本研究的作者在許多與過(guò)去進(jìn)行的活檢結果相匹配的圖像上訓練了他們的AI工具。他們的目標是使該工具能夠幫助放射科醫生減少向前發(fā)展所需的活檢數量。Geras說(shuō)，這只能通過(guò)提高醫師對篩查檢查的評估準確性的信心(例如，減少假陽(yáng)性和假陰性結果)來(lái)實(shí)現。

對于當前的研究，研究團隊分析了七年來(lái)作為常規臨床護理的一部分而收集的圖像，對收集的數據進(jìn)行篩選，并將圖像與活檢結果聯(lián)系起來(lái)。作者說(shuō)，這項工作為他們的AI工具創(chuàng )建了一個(gè)非常龐大的數據集，供其進(jìn)行訓練，其中包括229,426次數字篩查乳房X線(xiàn)檢查和1,001,093張圖像。迄今為止，研究人員在研究中使用的大多數數據庫僅限于10,000張或更少的圖像。

因此，研究人員通過(guò)對神經(jīng)網(wǎng)絡(luò )進(jìn)行編程來(lái)訓練他們的神經(jīng)網(wǎng)絡(luò )，以分析來(lái)自已經(jīng)確定了癌癥診斷的數據庫中的圖像。這意味著(zhù)研究人員在測試工具的準確性時(shí)就知道了每個(gè)乳房X線(xiàn)照片(無(wú)論是否癌癥)的“真相”，而工具卻不得不猜測。研究人員測量了正確預測頻率的準確性。

此外，研究人員設計了AI研究模型，首先要考慮全分辨率圖像的很小部分，以創(chuàng )建熱圖，即疾病可能性的統計圖。然后，程序會(huì )考慮整個(gè)乳房的與癌癥相關(guān)的結構特征，并更加注意像素級熱圖中標記的區域。

研究人員沒(méi)有發(fā)現研究人員為其AI尋找圖像特征，而是自行發(fā)現哪些圖像特征可提高預測精度。展望未來(lái)，該團隊計劃通過(guò)在更多數據上訓練AI程序來(lái)進(jìn)一步提高這種準確性，甚至可能識別尚未癌變但有潛力的乳房組織變化。

“在診斷放射學(xué)領(lǐng)域向AI支持的過(guò)渡應該像采用自動(dòng)駕駛汽車(chē)一樣緩慢而謹慎地進(jìn)行，建立信任，并在注重安全的同時(shí)改進(jìn)系統，”第一作者Nan Wu表示，他是博士論文的作者。數據科學(xué)中心。