[所屬分類:新聞動態] [發布時間:2019-10-21] [發布人:] [閱讀次數:] [返回]

山東拓普生物工程(cheng)有限(xian)公(gong)司(si)

Shandong Tuopu Biol-Engineering Co.,Ltd

一項新的(de)(de)研究發(fa)現，在大約一百萬張乳(ru)腺X線(xian)攝影圖像上進行訓練的(de)(de)人工智能(AI)工具與(yu)放射線(xian)醫生(sheng)的(de)(de)分析(xi)相結合，可以識別出大約90%的(de)(de)準確率的(de)(de)乳(ru)腺癌。

在紐(niu)約大學醫學院和(he)紐(niu)約大學數據科學中心的(de)(de)研究(jiu)人(ren)員的(de)(de)帶(dai)領下(xia)，這項研究(jiu)檢查了14種放射線醫師對720種放射線成(cheng)像所做出(chu)的(de)(de)診(zhen)斷的(de)(de)價值，該(gai)技術是一種機器(qi)學習計算機程序，可以為AI增值乳房X光照片。

“我(wo)們(men)的(de)研(yan)究發現，人(ren)工智能可以在放(fang)射科(ke)醫生無法識別的(de)數據中識別出與癌癥有(you)關的(de)模式，反之亦(yi)然，”紐約大學(xue)(xue)朗格尼大學(xue)(xue)放(fang)射學(xue)(xue)系助理教授Krzysztof J. Geras博士說。

紐約大(da)學數(shu)據科學中(zhong)(zhong)心的副(fu)教授Geras博士(shi)說：“ AI檢測到人(ren)(ren)眼看不見(jian)的組織中(zhong)(zhong)像素(su)級的變化，而人(ren)(ren)類(lei)(lei)則使(shi)用了AI無法獲(huo)得(de)的推理形式。”“我們工(gong)作的最終目標是(shi)增加而不是(shi)替代(dai)人(ren)(ren)類(lei)(lei)放射科醫生(sheng)。”

2014年，在(zai)美國進行(xing)(xing)了超(chao)過3900萬(wan)例乳房X線檢(jian)查(cha)，以篩查(cha)女性(無癥狀)是否(fou)患有(you)乳腺(xian)癌，并確定需要進一步隨訪的(de)(de)女性。將其(qi)檢(jian)查(cha)結果顯(xian)示出異常的(de)(de)乳房X線檢(jian)查(cha)結果的(de)(de)女性進行(xing)(xing)活檢(jian)，該過程會去除一小部分(fen)乳腺(xian)組織以進行(xing)(xing)實驗室檢(jian)查(cha)。

一種識別(bie)乳腺癌的新(xin)工具(ju)

在這(zhe)項(xiang)新研(yan)究中，研(yan)究團隊設計(ji)了統計(ji)技術，使他們的(de)(de)程(cheng)序(xu)可以“學習”如何更好地完成一項(xiang)任務，而(er)無需確切地告訴他們如何做。這(zhe)樣的(de)(de)程(cheng)序(xu)會構建數學模型(xing)，從(cong)而(er)能(neng)(neng)夠根(gen)據輸入的(de)(de)數據示(shi)例(li)進行決策，并(bing)且隨著程(cheng)序(xu)查看越來越多的(de)(de)數據，該程(cheng)序(xu)將變得(de)“更智能(neng)(neng)”。

受人腦(nao)啟發的現代(dai)AI方法使用復雜的電路(lu)來分(fen)層處理信息，每個(ge)步驟將信息饋送到下一個(ge)步驟，并在此過(guo)程中或多或少地為(wei)每條信息分(fen)配(pei)重要性(xing)。

目(mu)前的研究作(zuo)者(zhe)在許多與過去進行(xing)的活檢結果(guo)(guo)相匹(pi)配的圖像(xiang)上訓(xun)練了他們的AI工(gong)具。他們的目(mu)標是啟用該工(gong)具，以幫助放(fang)射科醫生減(jian)少(shao)向前發展(zhan)所需的活檢數量。Geras博士說(shuo)，只有通過提高醫師對篩查(cha)(cha)檢查(cha)(cha)的評估準確性(xing)的信心(xin)(例(li)如，減(jian)少(shao)假(jia)陽性(xing)和假(jia)陰性(xing)結果(guo)(guo))，才(cai)能實(shi)現這一目(mu)標。

對于(yu)當前的(de)研究(jiu)，研究(jiu)團隊分(fen)析了在紐約(yue)大(da)學(xue)朗格(ge)醫療中心(xin)七年作為常規臨床護(hu)理的(de)一部分(fen)而收(shou)集的(de)圖像，對收(shou)集的(de)數(shu)據(ju)進(jin)(jin)行篩(shai)選(xuan)，并將圖像與活(huo)檢(jian)結果聯系起(qi)來。這組作者(zhe)說，這項工作為他們的(de)AI工具創(chuang)建了一個非(fei)常龐(pang)大(da)的(de)數(shu)據(ju)集，可以對其進(jin)(jin)行訓練，包括229,426次數(shu)字化乳腺X線檢(jian)查和1,001,093張(zhang)圖像。迄今為止(zhi)，研究(jiu)中使用(yong)的(de)大(da)多數(shu)數(shu)據(ju)庫僅(jin)限于(yu)10,000張(zhang)或(huo)更少的(de)圖像。

因此，研究人員(yuan)通(tong)過對其(qi)神經(jing)網絡進行編程來訓練他們的(de)(de)神經(jing)網絡，以分(fen)析來自已經(jing)確定癌癥診斷的(de)(de)數(shu)據庫中的(de)(de)圖像。這(zhe)意味著研究人員(yuan)在測試工具的(de)(de)準(zhun)(zhun)確性時(shi)就知道了每個乳房X線照(zhao)片(無論是否癌癥)的(de)(de)“真(zhen)相”，而工具卻不得不猜測。以正確預測的(de)(de)頻率衡量準(zhun)(zhun)確性。

此外，研究人員設計(ji)了AI研究模型，首先要考(kao)慮全分辨率(lv)圖像的很小部(bu)分，以創建熱(re)(re)圖，即(ji)疾病(bing)可(ke)能(neng)性的統(tong)計(ji)圖。然后(hou)，程序會考(kao)慮整個乳房的與癌癥相關的結構(gou)特征，并(bing)更加注意像素級(ji)熱(re)(re)圖中標記的區域。

研究人(ren)員(yuan)沒有自(zi)己(ji)確(que)定(ding)要搜(sou)索的AI圖像特征(zheng)，而是(shi)自(zi)行發現哪些圖像特征(zheng)可以提高(gao)預測精(jing)度。展(zhan)望(wang)未來(lai)，該團隊計劃(hua)通過對AI程序(xu)進(jin)行更多數(shu)據培訓來(lai)進(jin)一步提高(gao)這種(zhong)準(zhun)確(que)性(xing)，甚(shen)至可能識別尚未癌變但有潛力的乳房組織(zhi)變化。