乳腺癌是女性癌症相关死亡的主要原因，而且很难诊断。近十分之一的癌症被误诊为非癌症;另一方面，女性做的乳房x光检查越多，她看到假阳性结果的几率就越大，面临不必要的侵入性检查的可能性也就越大——很可能是活组织检查。
更精确的诊断技术正在出现。但如果我们依赖于算法的指导呢?
美国南加州大学维特比工程学院航天与机械工程系休斯教授阿萨德•奥贝莱在最近发表于《科学导报》(ScienceDirect)上的一篇论文中提出了这个问题。Oberai与包括南加州大学维特比分校博士生Dhruv Patel在内的一组研究人员特别考虑了以下问题:你能否训练一台机器，利用合成数据解释真实世界的图像，并简化诊断步骤?
他说，答案很可能是肯定的。
以乳房超声弹性成像为例——一种新兴的成像技术，通过以非侵入性的方式评估潜在乳房病变的硬度来提供信息——Oberai试图确定他们是否可以跳过这个过程中最复杂的步骤。相反，他创建了基于物理的模型，显示了不同级别的关键属性。然后，他使用从这些模型中得到的数千个数据输入来训练机器学习算法。
综合数据与真实数据
但是为什么要使用综合派生的数据来训练算法呢?真实的数据不是更好吗?
“如果你有足够的数据，你就不会这么做，”奥贝莱说。“但就医学成像而言，如果你有1000张图像，那就很幸运了。在这种数据匮乏的情况下，这类技术变得非常重要。”
Oberai和他的团队使用了大约12000张合成图像来训练他们的机器学习算法。这个过程在许多方面与照片识别软件的工作原理类似，通过重复输入学习如何识别图像中的特定人物，或者我们的大脑如何学习如何将猫和狗进行分类。通过足够多的例子，该算法能够收集良性肿瘤和恶性肿瘤固有的不同特征，并做出正确的判断。
Oberai和他的团队对其他合成图像的分类准确率接近100%。一旦该算法得到训练，他们就会在真实世界的图像上测试它，以确定它在提供诊断时的准确性，并将这些结果与生物医学证实的与这些图像相关的诊断结果进行比较。
“我们有大约80%的准确率，”Oberai说。“接下来，我们将使用更多真实世界的图像作为输入，继续改进算法。”
改变诊断癌症的方法
有两个流行的观点使机器学习成为推进癌症检测和诊断领域的重要工具。首先，机器学习算法可以检测人类可能不透明的模式。通过对多种模式的操作，该算法可以产生准确的诊断结果。其次，机器学习提供了一个减少操作员对操作员错误的机会。
是什么让它得出了最终的结论?算法必须是可解释的，以使其工作如预期。
阿萨德Oberai
那么这会取代放射科医生在确定诊断中的作用吗?Oberai并没有预见到一种可以作为癌症诊断唯一仲裁者的算法，而是一种帮助引导放射科医生得出更准确结论的工具。
“一般的共识是，这类算法可以发挥重要作用，包括对成像专业人员的影响最大的算法。然而，当这些算法不充当黑匣子时，它们将是最有用的。“是什么让它得出了最终的结论?”算法必须是可解释的，才能按预期工作。”
对其他癌症的诊断算法进行调整
由于癌症会导致其影响的组织发生不同类型的变化，它的存在最终会导致其物理特性的变化，如密度或孔隙度的变化。这些变化可以在医学图像中作为信号识别出来。机器学习算法的作用是挑选出这个信号，并用它来确定正在成像的特定组织是否癌变。
利用这些想法，Oberai和他的团队正与南加州大学凯克医学院临床放射学教授Vinay Duddalwar合作，通过增强CT图像来更好地诊断肾癌。使用机器学习算法训练的原则确定乳腺癌的诊断,他们正在训练算法在其他功能可能会突出显示在肾癌病例,如组织的变化反映了人类癌症特异性改变病人的微脉管系统内的微血管网络帮助分发血液组织。
更多关于:癌症，计算机科学
新闻旨在传播有益信息，英文原版地址：https://news.usc.edu/158958/cancer-diagnosis-algorithm-early-detection/