深深地：人工智能提高了乳房超声诊断的准确性

2020年，世界卫生组织国际癌症研究机构指出，乳腺癌占全世界妇女癌症发病率和死亡率的大部分。这一令人震惊的统计数据不仅使早期诊断乳腺癌的新方法成为必要，而且也揭示了对这种疾病发生和发展的风险预测的重要性。超声波是一种有效的非侵入性诊断程序，真正挽救生命;然而，超声医师有时很难区分恶性肿瘤和其他类型的良性肿瘤。特别是在中国，乳房肿块被分为四类:良性肿瘤、恶性肿瘤、炎性肿块和腺病(产乳腺体增大)。当良性乳腺肿块被误诊为恶性肿瘤时，通常会进行活检，这将患者置于不必要的风险之中。当考虑到医学专家的巨大工作量时，对超声图像的正确解释变得更加困难。

深度学习算法可以是这个难题的解决方案吗？文何教授（中国首都医科大学北京天檀医院）认为。“人工智能擅长识别图像中的复杂模式，量化人类难以检测的信息，从而补充临床决策，”他说。虽然在深入学习算法中融入了医学图像分析中，但大多数在乳房的研究中取得了很大进展。超声专门处理恶性和良性诊断的分化。换句话说，现有方法不尝试将乳房群体分类为四个上述类别。

为了解决这一限制，贺博士与中国13家医院的科学家合作，开展了迄今为止规模最大的乳腺超声多中心研究，试图训练卷积神经网络(CNNs)来对超声图像进行分类。正如他们发表在《中国医学杂志，科学家从3,623名患者中收集了15,648张图片，并使用其中一半来训练，另一半用于测试三种不同的CNN模型。首先模型仅使用2D超声强度图像作为输入，而第二种模型还包括颜色流量多普勒图像，其提供有关乳房病变的血流信息。第三模型进一步添加了脉冲波多普勒图像，其在病变内的特定区域提供光谱信息。

每个CNN由两个模块组成。第一个是检测模块，包含两个主要的子模块，其总体任务是确定乳腺病变在原始二维超声图像中的位置和大小。第二个模块，分类模块，只接收超声图像中包含检测到的病变提取的部分。输出层包含四种类型，对应中国常用的四种乳腺肿块类型。

首先，科学家们检查了哪三种模型的表现更好。准确性相似，约为88％，但第二模型包括2D图像和彩色流多普勒数据比另外两个略好。脉冲波多普勒数据没有积极地贡献到性能的原因可以是整个数据集中有很少的脉冲波图像。然后，研究人员检查肿瘤大小的差异是否引起了性能的差异。虽然较大的病变导致提高了准确性良性肿瘤在美国，肿瘤的大小似乎对检测恶性肿瘤的准确性没有影响。最后，科学家们将他们的一个CNN模型与37个有经验的超声专家用50张随机挑选的图像进行对比，测试其性能。结果在所有方面都对CNN非常有利，正如贺建奎所说:“CNN模型的准确率为89.2%，处理时间不到两秒。”相比之下，超声医生的平均准确率为30%，平均时间为314秒。”

本研究清楚地展示了深度学习算法的能力作为诊断的互补工具胸部通过超声波的病变。此外，与之前的研究不同，研究人员包括使用来自不同制造商的超声设备获得的数据，该数据在训练有素的CNN模型的显着适用性，无论在每个医院都存在的超声装置。未来，人工智能将人工智能与超声诊断程序的集成可以加速癌症的早期检测。它也会带来其他好处，如他解释说：“因为CNN模型不需要任何类型的特殊设备，他们的诊断建议可以减少预定的活检，简化超声波学家的工作量，并实现有针对性和精制的处理。”

我们希望人工智能很快在超声图像诊断中找到了一个家，所以医生可以更聪明地工作，不难。

---

---