一种算法可以在帮助放射科医生早期诊断癌症时发挥重要作用

乳腺癌是女性中癌症相关死亡的主要原因，难以诊断。近1例10中的癌症是误诊的不是癌症;另一方面，一个女人的乳房X线照片越多，她会看到一个假阳性结果的机会越大，面对不必要的侵入性手术 - 最可能是一种活组织检查。

更准确的诊断技术正在出现。但如果我们依赖于何种指导算法？

USC Viterbi工程学院航空航天和机械工程系的Hughes Oberai，休斯教授在最近发表在Sciencedirect的一篇文章中询问了这一确切的问题。与一个研究人员一起 - 包括USC Viterbi Ph.D.学生Dhruv Patel-Oberai专门考虑以下内容：您可以使用合成数据训练一台机器来解释真实世界图像，并简化诊断步骤吗？

他说，答案很可能是。

在乳房超声弹性造影的情况下 - 一种新兴成像技术，通过以非侵入性方式评估其刚度 - oberai的僵硬来提供有关潜在乳房病变的信息，寻求确定它们是否可以跳过该过程中最复杂的步骤。相反，他创建了基于物理的模型，该模型显示了不同级别的关键属性。然后他使用来自这些模型的数千个数据输入来训练机器学习算法。

合成与现实世界数据

但为什么你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，您将幸运。在这样的情况下，数据稀缺，这些技术变得重要。”

Oberai和他的团队使用了大约12,000个合成图像来训练他们的机器学习算法。这种过程在许多方面是如何如何识别软件工作的，通过重复输入学习如何识别图像中的特定人或我们的大脑如何学会对猫对狗进行分类。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，并进行正确的确定。

Oberai和他的团队在其他合成图像上实现了近100％的分类准确性。一旦验证算法，他们将其测试在真实世界上，以确定提供诊断的准确程度，测量这些结果对与这些图像相关的活检确认的诊断。

“我们的准确率约为80％，”Oberai说。“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。”

改变诊断癌症的方法

有两个盛行的点，使机器学习一个推进景观的重要工具癌症检测和诊断。首先，机器学习算法可以检测对人类可能不透明的模式。通过操纵许多这样的模式，算法可以产生精确的诊断。其次，机器学习提供了减少运营商到操作员错误的机会。

这会替代放射科学专家在确定诊断方面的作用吗？Oberai没有预见到一种作为癌症诊断的唯一仲裁者的算法，而是帮助指导放射科医师更准确结论的工具。

“一般共识是这些类型的算法具有重要作用，包括从它将影响最大的成像专业人士。然而，当他们不作为黑匣子时，这些算法将是最有用的，”Oberai说。“它看到了什么导致它最终结论？该算法必须可说明它按预期工作。”

适应其他癌症的诊断算法

因为癌症导致组织中的癌症发生不同的变化，因此其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和他的团队正在与乌克西的凯克医学院临床放射学教授一起使用Vinay Duddalwar，以通过对比增强的CT图像更好地诊断肾癌。使用培训中确定的原则机器学习算法为了乳腺癌诊断，他们希望在肾癌病例中突出突出显示的其他特征训练算法，例如反映患者微血管结构的癌症特异性变化的组织的变化，有助于在组织内分配血液的微血管网络。

---

---