人工智能医生来了！可以预测乳腺癌的病变几率

杜克大学的计算机工程师和放射科医师开发了一个人工智能平台，用于分析乳房 X 光检查中潜在的癌性病变，以确定患者是否应该接受侵入性活检。它可以成为一个有用的培训平台，教学生如何阅读乳房 X 光检查图像；它还可以帮助在人口稀少地区医疗资源不足的情况下，为医生做出更好的医疗决策。

大多数用于在乳房 X 光检查中发现癌前病变的 AI 并没有展示它们的思考与决策过程。但如果需要展示过程，它通常是一个显着图（上图），只告诉医生它们在关注哪里。

但现在，全新的 AI 平台（下图）不仅告诉医生它在看哪里，还告诉医生它使用了哪些过去的经验来得出结论。

杜克大学放射学教授 Joseph Lo 说：“如果计算机要帮助做出重要的医疗决策，医生需要相信人工智能的结论是基于过去有益的经验。我们需要的算法不仅可以工作，而且可以自我解释并展示他们得出结论的示例。这样，无论医生是否同意AI的决策结果，AI都在帮助做出更好的决定。”

读取医学图像的工程 AI 是一个巨大的产业，目前已经存在数千种独立算法，FDA 已批准其中 100 多种用于临床。然而，无论是阅读 MRI、CT 还是乳房 X 线照片扫描，它们中很少有人使用包含 1000 多张图像或包含人口统计信息的验证数据集。信息的匮乏，加上最近几个著名的失败案例，导致许多医生质疑人工智能在高风险医疗决策中的使用。

在之前的例子中，即使研究人员使用不同设备、不同地点拍摄的图像对其进行训练，人工智能模型也会失败。AI 不再只关注感兴趣的病变，而是学会了使用设备本身引入的细微差异来识别来自癌症病房的图像，并赋予这些病变更高的癌变概率。正如人们所预料的那样，人工智能并没有很好地转移到使用不同设备的其他医院。因为没有人知道算法在做决定时在关注什么要素，所以没有人知道它在现实世界的应用中成功率如何。

研究人员用杜克大学卫生系统的 484 名患者拍摄的 1,136 张图像对新 AI 进行了训练。

他们首先教人工智能找到有问题的可疑病变，并忽略所有健康组织和其他不相关的数据。然后，他们聘请放射科医生仔细标记图像，以教导 AI 专注于病变的边缘，即潜在肿瘤与周围健康组织相遇的地方，并将这些边缘与已知癌症和良性结果的图像中的边缘进行比较。

放射线或模糊边缘，医学上称为肿块边缘，是癌性乳腺肿瘤的最佳预测指标，也是放射科医生寻找的第一个关键点。这是因为癌细胞复制和扩张速度如此之快，以至于在乳房 X 光照片中并非所有正在发育的肿瘤边缘都容易看到。

“这是一种训练 AI 如何查看医学图像的独特方法。”Barnett 说，“其他人工智能并没有试图模仿放射科医生；他们正在想出自己的方法来回答问题，这些方法通常没有帮助，或者在某些情况下，依赖于有缺陷的推理过程。”

训练完成后，研究人员对人工智能进行了测试。虽然它的表现并没有超过人类放射科医生，但它的表现与其他黑匣子计算机模型一样好。当新的 AI 出现错误时，使用它的人将能够认识到它是错误的以及它为什么会犯错。

展望未来，该团队正在努力为 AI 添加其他物理特征，以便在做出决策时考虑，例如病变的形状，这是放射科医生学习观察的第二个特征。