研究人员展示了人工智能如何被用于更快、更准确地诊断乳腺癌

乳腺癌是女性癌症相关死亡的主要原因。诊断也很难。近一中的癌症差异是不癌症的，这意味着患者可能会失去关键的治疗时间。另一方面，女人拥有的乳房X线照片越多，她越有可能看到一个假的积极结果。经过10年的年度乳房X线照片，三个没有癌症的患者中大约有两种患者将被告知他们做并受到侵入性干预，最有可能成为活组织检查。

乳房超声弹性成像是一种新兴的成像技术，通过非侵入性的方式评估其硬度，提供有关潜在乳房病变的信息。与传统的成像模式相比，这种方法使用了关于乳腺癌病变与非乳腺癌病变的更精确的特征信息，证明了更准确。

然而，在这个过程的关键处，是一个复杂的计算问题，可以是耗时和繁琐的解决。但如果我们依赖于算法的指导，那么怎么了？

Assad Oberai，USC Viterbi工程学院休斯航空公司和机械工程系教授，问了这个确切的问题研究论文，“通过机械逆问题避开逆问题深度学习：应用于弹性成像，“发表于应用力学与工程中的计算机方法。与包括南加州大学维特比分校博士生Dhruv Patel在内的研究团队一起，奥伯莱特别考虑了以下问题:你能否训练一台机器使用合成数据来解释真实世界的图像，并简化诊断步骤?奥伯莱说，答案很可能是肯定的。

在乳房超声弹性摄影的情况下，一旦采取了受影响区域的图像，就会分析图像以确定组织内部的位移。使用该数据和机械的物理规律，确定了机械性能的空间分布 - 确定其刚度 - 是确定的。在此之后，必须识别和量化分布的适当特征，最终导致肿瘤的分类为恶性或良性。问题是最后两个步骤是计算复杂和本质上的挑战性。

在研究中，Oberai试图确定它们是否可以完全跳过此工作流的最复杂的步骤。

癌症乳腺组织有两个关键特性：异质性，这意味着一些区域是柔软的，有些是坚固的，并且非线性弹性，这意味着纤维在拉动时提供大量阻力而不是良性肿瘤。知道这一点，oberai创建了基于物理的模型，显示了这些关键属性的变化级别。然后他使用来自这些模型的数千个数据输入，以便训练机器学习算法。

合成数据与真实数据

但为什么你会使用综合派生数据来训练算法？不会真正的数据更好吗？

“如果您有足够的数据可用，那么您就不会，”Oberai说。“但在医学成像的情况下，如果您有1000个图像，您很幸运。在这样的情况下，数据稀缺的情况下，这些类型的技术变得重要。”

奥伯莱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。这一过程在很多方面与照片识别软件的工作原理相似，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区分猫和狗。通过足够的实例，该算法能够收集良性肿瘤与恶性肿瘤固有的不同特征，并做出正确的判断。

奥伯莱和他的团队对其他合成图像的分类准确率接近100%。一旦算法经过训练，他们就在真实世界的图像上测试它，以确定它在提供诊断方面的准确性，并将这些结果与与这些图像相关的活检确诊诊断进行衡量。

“我们的准确率大约有80％。接下来，我们继续通过使用更多现实世界的图像作为输入来改进算法，”奥贝拉说。

改变诊断的方式

有两个流行的观点使得机器学习成为一个重要的工具在推进景观癌症检测和诊断。首先，机器学习算法可以检测出可能对人类不透明的模式。通过对许多这样的模式的操作，该算法可以产生准确的诊断。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。

那么，这会取代放射科医生在诊断中的角色吗?绝对不会。奥伯莱并没有预见到一种算法可以作为癌症诊断的唯一仲裁者，相反，它是一种工具，可以帮助放射科医生得出更准确的结论。“普遍的共识是，这些类型的算法将发挥重要作用，包括从成像专业人员，它将影响最大。然而，当这些算法不充当黑匣子时，它们才最有用。”Oberai说。“它看到了什么，从而得出了最终结论?”算法必须是可解释的，才能按预期工作。”

适用于其他癌症的算法

因为癌症导致组织产生的不同类型的变化，因此组织中癌症的存在最终可能导致其物理性质的变化，例如密度或孔隙率的变化。可以将这些变化作为医学图像中的信号被辨别。机器学习算法的作用是拾取该信号并使用它来确定正在成像的给定组织是否癌。

使用这些想法，Oberai和他的团队正在与USC的Keck医学院临床放射学教授一起使用Vinay Duddalwar，通过对比增强CT图像来更好地诊断肾癌。使用培训中确定的原则机器学习算法为了乳腺癌诊断，他们正在寻找培训算法在肾癌病例中可能突出显示的其他特征，例如反映患者微血管特征的癌症特异性变化的组织变化，有助于在组织内分配血液的微血管网络。

---

---