研究人员展示了AI如何使用如何快速准确地诊断乳腺癌

乳腺癌是妇女与癌症有关的死亡的主要原因。它也很难诊断。近十分之一的癌症被误诊为非癌症，这意味着患者可能失去关键的治疗时间。另一方面，女性做的乳房x光检查越多，就越有可能看到假阳性结果。经过10年的乳房x光检查，大约三分之二没有癌症的患者会被告知他们有癌症，并接受侵入性干预，很可能是活组织检查。

乳房超声弹性显影是一种新兴成像技术，通过以非侵入性方式评估其刚度来提供有关潜在乳房病变的信息。使用更精确的信息有关癌性与非癌性乳腺病变的特征，与传统的成像模式相比，这种方法表现出更多的准确性。

然而，这个过程的关键是一个复杂的计算问题，解决这个问题既费时又麻烦。但如果我们依靠算法的指导呢?

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，“绕过力学逆问题的解决深度学习：应用于弹性成像，“发表于应用力学与工程中的计算机方法。除了一个研究人员，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培训机器来解释真实世界图像，并简化诊断步骤的步骤？奥贝莱说，答案很可能是。

在乳房超声弹性成像的情况下，一旦拍摄了受影响区域的图像，就会对图像进行分析，以确定组织内部的位移。利用这些数据和力学的物理定律，就可以确定力学特性(比如刚度)的空间分布。在此之后，人们必须从分布中识别并量化适当的特征，最终导致肿瘤的恶性或良性分类。问题是，最后两个步骤在计算上是复杂的，具有内在的挑战性。

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。

癌变的乳腺组织有两个关键特性:异质性，即一些区域是软的，一些是硬的;非线性弹性，即纤维在被拉时会产生很大的阻力，而不是良性肿瘤最初产生的阻力。了解到这一点，奥伯莱创建了基于物理的模型，显示了这些关键属性的不同层次。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。”

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。这一过程在许多方面是如何如何应用照片识别软件的工作，通过重复的输入学习如何识别图像中的特定人员，或者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。

那么，这将取代放射科学家在确定诊断方面的作用吗？当然不。Oberai没有预见到一种算法，它用作癌症诊断的唯一仲裁液，而是一种帮助引导放射科医生更准确的结论的工具。“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员。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，他们希望训练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。

---

---