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對人工智能驅動系統(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據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期表現）的錯誤率，并在預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，即預測的準確率）。

合著者寫道：“放射科醫(yī)生經常將目前的乳房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據集上訓練了一組機器學習模型，每組篩查中至少包含一張圖像，對應于乳房X光攝影篩查中常用的四種視圖（右顱尾側、左顱尾側、右中外側斜肌和左中外側斜?。?。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，并且只考慮了包括患者在內的數據集的子集，而這些數據集之前的檢查數據都是可獲得的。

實驗所收集的數據庫中包含了來自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。

該團隊根據這些數據訓練了一系列機器學習模型，然后僅使用訓練數據集的一部分來比較它們的性能。他們注意到，與良性預測的基線相比，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，其中一個模型——AlignLocalCompare——對惡性腫瘤的發(fā)現表現出明顯的改善，預測腫瘤發(fā)生的可能性為0.97，而基線預測僅為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)

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網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。本網站對有關資料所引致的錯誤、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站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。