深度學習10萬張乳房X光照片，這個AI模型要幫助篩查乳腺癌

乳房X光照相技術(shù)能夠降低乳腺癌死亡率是一個公認的事實。與替代篩查相關(guān)的假陽性高召回率加快了IBM、麻省理工學院計算機科學與人工智能實驗室等機構(gòu)對人工智能驅(qū)動系統(tǒng)的開發(fā)。但它們并不完美，因為與更多最近的測試相比，大多數(shù)模型只進行過一次單一的篩選測試。

這一缺陷促使紐約大學數(shù)據(jù)科學中心和放射學系的一組研究人員提出了一個機器學習框架，即篩查先前檢查時生成的不同種類乳房X光照片，利用先前的檢查結(jié)果做出診斷。他們說，在初步測試中，它降低了基線（基線就是被用為對比模型表現(xiàn)參考點的簡單模型?；€幫助模型開發(fā)者量化模型在特定問題上的預(yù)期表現(xiàn)）的錯誤率，并在預(yù)測篩查人群的惡性腫瘤時，達到了0.8664的曲線下面積（在所有分類閾值下的性能指標，即預(yù)測的準確率）。

合著者寫道：“放射科醫(yī)生經(jīng)常將目前的乳房X光照片與之前的照片進行比較，以便做出更明智的診斷。例如，如果一個可疑的區(qū)域隨著時間的推移變得越來越大或密度越來越大，放射科醫(yī)生就會更加確信它是惡性的。相反，如果一個可疑的區(qū)域沒有增長，那么它可能是良性的?！?/p>

該團隊在紐約大學開源乳腺癌篩查數(shù)據(jù)集上訓(xùn)練了一組機器學習模型，每組篩查中至少包含一張圖像，對應(yīng)于乳房X光攝影篩查中常用的四種視圖（右顱尾側(cè)、左顱尾側(cè)、右中外側(cè)斜肌和左中外側(cè)斜肌）。他們使用了四種二元標簽來表示左乳或右乳有無良、惡性的發(fā)現(xiàn)，并且只考慮了包括患者在內(nèi)的數(shù)據(jù)集的子集，而這些數(shù)據(jù)集之前的檢查數(shù)據(jù)都是可獲得的。

實驗所收集的數(shù)據(jù)庫中包含了來自43013名患者的127451份檢查，其中有2519份至少進行了一次活體組織切片檢查。

該團隊根據(jù)這些數(shù)據(jù)訓(xùn)練了一系列機器學習模型，然后僅使用訓(xùn)練數(shù)據(jù)集的一部分來比較它們的性能。他們注意到，與良性預(yù)測的基線相比，其效果并沒有明顯的改善，他們將其歸因于算法傾向于關(guān)注掃描區(qū)域的顯著變化。（而良性的改變并不明顯。）但他們發(fā)現(xiàn)，其中一個模型——AlignLocalCompare——對惡性腫瘤的發(fā)現(xiàn)表現(xiàn)出明顯的改善，預(yù)測腫瘤發(fā)生的可能性為0.97，而基線預(yù)測僅為0.73。

AD：還在為資金緊張煩惱嗎？獵云銀企貸，全面覆蓋京津冀地區(qū)主流銀行及信托、擔保公司，幫您細致梳理企業(yè)融資問題，統(tǒng)籌規(guī)劃融資思路，合理撬動更大杠桿。填寫只需兩分鐘，剩下交給我們！詳情咨詢微信：zhangbiner870616 (來源：獵云網(wǎng))

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。