人工智能的结合放射科医生更准确地诊断出了乳腺癌

一项新的研究发现，一种人工智能(AI)工具，经过对大约一百万张筛查性乳房x光造影图像的训练，结合放射科医生的分析，其识别乳腺癌的准确率约为90%。

这项研究由纽约大学医学院(NYU School of Medicine)和纽约大学数据科学中心(NYU Center for Data Science)的研究人员牵头，考察了一种人工智能(一种机器学习计算机程序)的能力，以增加14名放射科医生在检查720张乳房x光片时得出的诊断结果的价值。

“我们的研究发现，人工智能在数据中识别出了放射科医生无法识别的癌症相关模式，反之亦然，”资深研究作者、纽约大学朗格尼分校放射科助理教授Krzysztof Geras说。

“人工智能探测到肉眼看不到的组织像素级别的变化，而人类使用人工智能无法使用的推理方式，”同样是纽约大学数据科学中心(NYU Center for Data Science)附属教员的杰拉斯补充道。“我们工作的最终目标是增加，而不是取代人类放射科医生。”

2014年，美国进行了3900多万次乳房x光检查，以筛查(没有症状的)女性乳腺癌患者，并确定哪些患者需要更密切的随访。检测结果出现乳房x光检查异常的女性会被转至活检，这是一种移除一小部分乳房组织样本进行实验室检测的程序。

一个新的工具，以确定乳腺癌

在这项新研究中，研究小组设计了统计技术，让他们的程序“学习”如何在不被告知具体方法的情况下更好地完成一项任务。这类程序建立数学模型，使决策能够基于输入到它们的数据示例，随着审查越来越多的数据，程序变得“更智能”。

现代人工智能方法受到人类大脑的启发，使用复杂的电路逐层处理信息，每一步都将信息传递到下一步，并在整个过程中为每条信息赋予或多或少的重要性。

最近发表在《IEEE医学影像汇刊》(IEEE Transactions on Medical Imaging)网站上的一篇文章称，目前的研究作者使用人工智能工具对许多图像进行了训练，这些图像与过去进行的活检结果相匹配。他们的目标是使该工具能够帮助放射科医生减少活检所需的数量。Geras说，这只能通过增加医生对筛选检查评估准确性的信心(例如，减少假阳性和假阴性结果)来实现。

在目前的研究中，研究团队分析了纽约大学朗格尼健康中心(NYU Langone Health)七年来作为常规临床护理的一部分收集的图像，筛选收集的数据，并将图像与活检结果联系起来。这项工作为他们的人工智能工具建立了一个非常大的数据集，包括229,426张数字筛查乳房x光检查和1001,093张图像。迄今为止，研究中使用的大多数数据库都被限制在1万张或更少的图像。

因此，研究人员通过编程来训练他们的神经网络来分析来自癌症诊断已经确定的数据库的图像。这意味着，在测试工具的准确性时，研究人员知道每一张乳房x光造影图像(是否患有癌症)的“真相”，而工具必须进行猜测。准确性是通过正确预测的频率来衡量的。

此外，研究人员还设计了研究AI模型，首先分别考虑全分辨率图像中的非常小的斑块，以创建热图，即疾病可能性的统计图像。然后，该项目考虑整个乳房与癌症相关的结构特征，密切关注像素级热图中标记的区域。

该工具并没有让研究人员识别图像特征以供人工智能搜索，而是自行发现哪些图像特征能够提高预测精度。接下来，研究小组计划通过训练人工智能程序获取更多数据，进一步提高这种准确性，甚至可能识别出乳房组织中尚未癌变但有可能癌变的变化。

第一作者、纽约大学数据科学中心的博士生吴楠(音)说:“在诊断放射学领域向人工智能支持的过渡应该像自动驾驶汽车的采用一样进行——缓慢而小心地，建立信任，并在关注安全的同时改进系统。”

随着基拉,从美国纽约大学Langone放射学研究的作者埃里克•金,斯泰西Wolfson Ujas帕里克说,Sushma Gaddam,愣了年轻的林,约书亚·温斯坦,克里斯托Airola, Eralda Mema,斯蒂芬妮·h·钟,以斯帖黄,Naziya Samreen, Beatriu Reig、翳明高,Hildegard b·托斯Kristine m . Pysarenko艾伦·a·列文Jiyon李,S。吉恩·金、劳拉·希科克和琳达·莫伊。来自纽约大学数据科学中心的作者有吴楠，Jason Phang, Jungkyu Park, Yiqiu Shen, Huang, Thibault Fevry，和Kyunghyun Cho，他们也在纽约大学Courant数学科学研究所工作。其他作者包括纽约州立大学下州医学院的Kara Ho;剑桥大学计算机科学与技术学院的Masha Zorin;Stanisław Jastrzębski盖隆大学;以及纽约大学朗格尼分校信息技术系的Joe Katsnelson。

这项工作得到了美国国立卫生研究院(National Institutes of Health)赠款R21CA225175和P41EB017183的部分支持。本研究使用的模型已在该领域用于驱动创新。

备用媒体联系
Greg Williams
212.404.3500
[email protected]