2020年，世界卫生组织国际癌症研究机构指出，乳腺癌是全球女性癌症发病率和死亡率最高的原因。这一令人震惊的统计数字不仅需要对乳腺癌进行早期诊断的更新方法，而且还揭示了对该疾病的发生和发展进行风险预测的重要性。超声波是一种有效且无创的诊断程序，可真正挽救生命。但是，超声医师有时很难区分恶性肿瘤和其他类型的良性生长。特别是在，乳腺肿块可分为四类：良性肿瘤，恶性肿瘤，炎性肿块和腺病(产乳腺增大)。当良性乳腺肿块被误诊为恶性肿瘤时，通常会进行活检，这会使患者处于不必要的风险中。当考虑到医疗专家的大量工作量时，对超声图像的正确解释就变得更加困难。
深度学习算法可以解决这个难题吗?何文教授(首都医科大学附属北京天坛医院)认为。他说：“人工智能擅长识别图像中的复杂图案并量化人类难以检测的信息，从而补充临床决策。”尽管在将深度学习算法集成到医学图像分析中已经取得了很大的进步，但大多数乳房超声研究仅涉及区分恶性和良性诊断。换句话说，现有方法并未尝试将乳房肿块分类为上述四个类别。
为了解决这一局限性，何博士与13家医院的科学家合作，进行了规模最大的乳房超声多中心研究，以尝试训练卷积神经网络(CNN)对超声图像进行分类。正如他们在《中华医学杂志》上发表的论文中所详述的那样，科学家从3,623名患者中收集了15648张图像，其中一半用于训练，另一半用于测试三种不同的CNN模型。第一个模型仅使用2D超声强度图像作为输入，而第二个模型还包括彩色多普勒图像，可提供有关乳腺病变周围血流的信息。第三种模型还添加了脉冲多普勒图像，可提供病变内特定区域的光谱信息。
每个CNN包含两个模块。第一个模块是检测模块，包含两个主要子模块，它们的总体任务是确定原始2D超声图像中乳房病变的位置和大小。第二模块，即分类模块，仅从包含检测到的病变的超声图像中接收提取的部分。输出层包含四个类别，分别对应于常用的四种乳腺肿块分类。
首先，科学家检查了三个模型中哪个模型的性能更好。准确性相似，约为88%，但是第二种模型(包括2D图像和彩色流多普勒数据)的表现略优于其他两种模型。脉冲多普勒数据对性能没有正面贡献的原因可能是整个数据集中几乎没有可用的脉冲波图像。然后，研究人员检查了肿瘤大小的差异是否会导致性能差异。虽然较大的病变会导致良性肿瘤的准确性提高，但是在检测恶性肿瘤时，大小似乎对准确性没有影响。最后，科学家使用一组50个随机选择的图像，将其CNN模型与37位经验丰富的超声学家的性能进行了比较，从而对他们的CNN模型进行了测试。
这项研究清楚地展示了深度学习算法作为通过超声诊断乳房病变的辅助工具的功能。此外，与以前的研究不同，研究人员纳入了使用来自不同制造商的超声设备获得的数据，这暗示了经过训练的CNN模型的卓越适用性，而与每家医院中使用的超声设备无关。将来，将人工智能与超声诊断程序相集成可以加快癌症的早期发现。正如He博士解释的那样，这还将带来其他好处：“由于CNN模型不需要任何类型的专用设备，因此它们的诊断建议可以减少预定的活检，简化超声检查人员的工作量，并实现针对性和精细的治疗。”
标签： 人工智能
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
