最近開發(fā)的一個人工智能平臺為醫(yī)學(xué)專業(yè)人員篩查乳腺癌提供了一個新的、透明的工具，用于評估乳房 X 光掃描。 research 創(chuàng)建了一個 AI 模型，用于評估掃描并突出顯示算法發(fā)現(xiàn)的相關(guān)圖像部分。這項工作可以幫助醫(yī)療專業(yè)人員確定患者是否需要進行侵入性且經(jīng)常是神經(jīng)損傷的活組織檢查。

杜克大學(xué)放射學(xué)教授兼研究合著者約瑟夫·洛（ Joseph Lo ）在一份 press release 報告中說：“如果一臺計算機要幫助做出重要的醫(yī)療決策，醫(yī)生需要相信人工智能是基于有意義的東西得出結(jié)論的?！?。“我們需要的算法不僅能起作用，還能自我解釋，并舉例說明他們的結(jié)論是基于什么。這樣，無論醫(yī)生是否同意結(jié)果，人工智能都能幫助做出更好的決定。”

在美國，每八名女性中就有一人會在一生中患上浸潤性乳腺癌。如果早期發(fā)現(xiàn)，女性在頭 5 年的存活率為 93% 或更高。

乳腺 X 射線攝影術(shù)使用低能 X 射線檢查乳腺組織以進行診斷和篩查，是早期發(fā)現(xiàn)的有效工具，但需要一名高技能放射科醫(yī)生來解釋掃描結(jié)果。然而，假陰性和假陽性確實會發(fā)生，導(dǎo)致漏診和高達 40% 的活檢病變?yōu)榱夹浴?/p>

近年來，將人工智能用于醫(yī)學(xué)影像分析的應(yīng)用有了顯著的發(fā)展，并在解釋數(shù)據(jù)方面提供了優(yōu)勢。實現(xiàn)人工智能模型也有風(fēng)險，尤其是當(dāng)算法失敗時。

研究負責(zé)人、杜克大學(xué)計算機科學(xué)博士候選人 Alina Barnett 說：“我們的想法是建立一個系統(tǒng)，說明潛在癌病變的這一特定部分與我以前見過的另一部分非常相似?！??！叭绻麤]有這些明確的細節(jié)，如果無法理解系統(tǒng)有時會出錯的原因，醫(yī)生將失去時間和對系統(tǒng)的信心?！?/p>

利用杜克大學(xué)衛(wèi)生系統(tǒng) 484 名患者的 1136 張圖像，研究人員對算法進行了訓(xùn)練，以定位和評估潛在的癌區(qū)。這是通過訓(xùn)練模型來識別不健康的組織或病變來實現(xiàn)的，這些組織或病變在掃描中通常表現(xiàn)為明亮或不規(guī)則的形狀，邊緣模糊。

然后放射科醫(yī)生給這些圖像貼上標簽，教算法聚焦于模糊邊緣，也稱為邊緣。通常與快速生長的乳腺癌細胞相關(guān)，邊緣是癌性病變的有力指標。通過這些仔細標記的圖像， AI 可以比較癌性邊緣和良性邊緣，并學(xué)會區(qū)分它們。

AI 模型使用 cuDNN 加速 PyTorch 深度學(xué)習(xí)框架，可以在兩個 NVIDIA P100 或 V100 GPU 上運行。

圖 1 。上圖顯示了一個人工智能模型，用于在乳房 X 光攝影中發(fā)現(xiàn)癌前病變，而無需揭示決策過程。下圖顯示了 IAIA-BL 模型，它告訴醫(yī)生它在看什么，以及它是如何得出結(jié)論的。信貸：艾琳娜·巴內(nèi)特，杜克大學(xué)。

研究人員發(fā)現(xiàn)，人工智能與其他基于機器學(xué)習(xí)的乳房 X 光成像模型一樣有效，但它具有決策透明的優(yōu)勢。當(dāng)模型錯誤時，放射科醫(yī)生可以看到錯誤是如何產(chǎn)生的。

根據(jù)這項研究，該模型也可以成為一個有用的工具，用于指導(dǎo)醫(yī)學(xué)生如何閱讀乳房 X 光片掃描，以及世界上缺乏癌癥專家的資源受限地區(qū)。

關(guān)于作者

Michelle Horton 是 NVIDIA 的高級開發(fā)人員通信經(jīng)理，擁有通信經(jīng)理和科學(xué)作家的背景。她在 NVIDIA 為開發(fā)者博客撰文，重點介紹了開發(fā)者使用 NVIDIA 技術(shù)的多種方式。

審核編輯：郭婷