2020年，世界衛(wèi)生組織國際癌癥研究機(jī)構(gòu)指出，乳腺癌是全球女性癌癥發(fā)病率和死亡率最高的原因。這一令人震驚的統(tǒng)計數(shù)字不僅需要對乳腺癌進(jìn)行早期診斷的更新方法，而且還揭示了對該疾病的發(fā)生和發(fā)展進(jìn)行風(fēng)險預(yù)測的重要性。超聲波是一種有效且無創(chuàng)的診斷程序，可真正挽救生命。但是，超聲醫(yī)師有時很難區(qū)分惡性腫瘤和其他類型的良性生長。特別是在，乳腺腫塊可分為四類：良性腫瘤，惡性腫瘤，炎性腫塊和腺病(產(chǎn)乳腺增大)。當(dāng)良性乳腺腫塊被誤診為惡性腫瘤時，通常會進(jìn)行活檢，這會使患者處于不必要的風(fēng)險中。當(dāng)考慮到醫(yī)療專家的大量工作量時，對超聲圖像的正確解釋就變得更加困難。
深度學(xué)習(xí)算法可以解決這個難題嗎?何文教授(首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院)認(rèn)為。他說：“人工智能擅長識別圖像中的復(fù)雜圖案并量化人類難以檢測的信息，從而補(bǔ)充臨床決策。”盡管在將深度學(xué)習(xí)算法集成到醫(yī)學(xué)圖像分析中已經(jīng)取得了很大的進(jìn)步，但大多數(shù)乳房超聲研究僅涉及區(qū)分惡性和良性診斷。換句話說，現(xiàn)有方法并未嘗試將乳房腫塊分類為上述四個類別。
為了解決這一局限性，何博士與13家醫(yī)院的科學(xué)家合作，進(jìn)行了規(guī)模最大的乳房超聲多中心研究，以嘗試訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(CNN)對超聲圖像進(jìn)行分類。正如他們在《中華醫(yī)學(xué)雜志》上發(fā)表的論文中所詳述的那樣，科學(xué)家從3,623名患者中收集了15648張圖像，其中一半用于訓(xùn)練，另一半用于測試三種不同的CNN模型。第一個模型僅使用2D超聲強(qiáng)度圖像作為輸入，而第二個模型還包括彩色多普勒圖像，可提供有關(guān)乳腺病變周圍血流的信息。第三種模型還添加了脈沖多普勒圖像，可提供病變內(nèi)特定區(qū)域的光譜信息。
每個CNN包含兩個模塊。第一個模塊是檢測模塊，包含兩個主要子模塊，它們的總體任務(wù)是確定原始2D超聲圖像中乳房病變的位置和大小。第二模塊，即分類模塊，僅從包含檢測到的病變的超聲圖像中接收提取的部分。輸出層包含四個類別，分別對應(yīng)于常用的四種乳腺腫塊分類。
首先，科學(xué)家檢查了三個模型中哪個模型的性能更好。準(zhǔn)確性相似，約為88%，但是第二種模型(包括2D圖像和彩色流多普勒數(shù)據(jù))的表現(xiàn)略優(yōu)于其他兩種模型。脈沖多普勒數(shù)據(jù)對性能沒有正面貢獻(xiàn)的原因可能是整個數(shù)據(jù)集中幾乎沒有可用的脈沖波圖像。然后，研究人員檢查了腫瘤大小的差異是否會導(dǎo)致性能差異。雖然較大的病變會導(dǎo)致良性腫瘤的準(zhǔn)確性提高，但是在檢測惡性腫瘤時，大小似乎對準(zhǔn)確性沒有影響。最后，科學(xué)家使用一組50個隨機(jī)選擇的圖像，將其CNN模型與37位經(jīng)驗豐富的超聲學(xué)家的性能進(jìn)行了比較，從而對他們的CNN模型進(jìn)行了測試。
這項研究清楚地展示了深度學(xué)習(xí)算法作為通過超聲診斷乳房病變的輔助工具的功能。此外，與以前的研究不同，研究人員納入了使用來自不同制造商的超聲設(shè)備獲得的數(shù)據(jù)，這暗示了經(jīng)過訓(xùn)練的CNN模型的卓越適用性，而與每家醫(yī)院中使用的超聲設(shè)備無關(guān)。將來，將人工智能與超聲診斷程序相集成可以加快癌癥的早期發(fā)現(xiàn)。正如He博士解釋的那樣，這還將帶來其他好處：“由于CNN模型不需要任何類型的專用設(shè)備，因此它們的診斷建議可以減少預(yù)定的活檢，簡化超聲檢查人員的工作量，并實現(xiàn)針對性和精細(xì)的治療。”
標(biāo)簽： 人工智能
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！