南加州大学：人工智能帮助医生更快，更准确地诊断乳腺癌

乳腺癌是女性癌症相关死亡的主要原因，它也很难诊断。近十分之一的癌症被误诊为非癌症，这意味着患者可能会失去关键的治疗时间。另一方面，女性做的乳房x光检查越多，她看到假阳性结果的可能性就越大。经过10年的年度乳房X光检查后，经过10年的年度乳房x光检查，大约三分之二的没有癌症的患者将被告知他们患有癌症，并接受侵入性干预，很可能是活组织检查。

乳房超声弹性成像是一种新兴的成像技术，通过以非侵入性方式评估其硬度来提供有关潜在乳房病变的信息。与传统的成像模式相比，该方法使用了更准确的癌症与非癌症乳腺病变特征信息。

然而，这一过程的关键是一个复杂的计算问题，解决起来既费时又麻烦，但如果我们依赖于算法的指导呢？

南加州大学维特比工程学院休斯分校航天和机械工程系教授Assad Oberai在研究论文中提出了这个问题，相关研究：“通过深度学习绕过力学反问题的求解：弹性成像的应用”发表在“应用力学和工程中的计算机方法”期刊上。Oberai与包括USC Viterbi 博士生Dhruv Patel在内的一组研究人员一起特别考虑了以下内容：我们是否可以使用合成数据训练机器来解释真实世界的图像并简化诊断步骤？Oberai说，答案很可能是肯定的。

以乳腺超声弹性成像为例，一旦拍摄了受影响区域的图像，就对图像进行分析，以确定组织内的位移。利用这些数据和物理力学定律，确定了机械性能的空间分布——比如它的僵硬度。在此之后，必须从分布中识别和量化适当的特征，最终将肿瘤分类为恶性或良性。问题是最后两个步骤在计算上很复杂，而且具有内在的挑战性。

在研究中，Oberai试图确定他们是否可以完全跳过这个工作流程中最复杂的步骤。

癌性乳腺组织有两个关键特性：异质性，即有些区域是柔软的，有些区域是坚硬的；非线性弹性，即纤维在被拉伸时提供了很大的阻力，而不是最初与良性肿瘤相关的阻力。了解了这一点，Oberai创建了基于物理的模型，显示了这些关键属性的不同级别。为了训练机器学习算法，他使用了来自这些模型的数千个数据输入。

合成与现实世界数据

但是为什么要使用合成的数据来训练算法呢？真实数据不会更好吗？

“如果你有足够的数据，你就不会这么做，”Oberai说。“但就医学成像而言，如果你有1000张图像，那就很幸运了。在这种数据匮乏的情况下，这些技术变得非常重要。

Oberai和他的团队使用大约12000个合成图像来训练他们的机器学习算法。这个过程在许多方面类似于照片识别软件的工作方式，通过重复输入学习如何识别图像中的特定人，或者我们的大脑如何学习将猫与狗分类。通过足够的例子，该算法能够收集良性肿瘤与恶性肿瘤固有的不同特征并做出正确的判定。

Oberai和他的团队在其他合成图像上实现了近100％的分类准确率。一旦算法被训练，他们就会在真实世界的图像上对其进行测试，以确定提供诊断的准确程度，将这些结果与经活检证实的与这些图像相关的诊断结果进行比较。

“我们的准确率大约为80％。接下来，我们继续通过使用更多真实世界的图像作为输入来改进算法，”Oberai说。

改变诊断方式

有两个流行的观点使机器学习成为推进癌症检测和诊断领域的重要工具。首先，机器学习算法可以检测人类发现不了的模式，通过对多种模式的操作，该算法可以产生准确的诊断结果。其次，机器学习提供了一个减少操作员错误操作的机会。

那么，这会取代放射科医师在确定诊断方面的作用吗？当然不。Oberai没有预见到算法可以作为癌症诊断的唯一仲裁者，而是一种有助于指导放射科医生得出更准确结论的工具。“普遍的共识是，这些类型的算法可以发挥重要作用，包括影响最大的成像专业人士。但是，当它们不被当作黑盒时，这些算法才是最有用的，”Oberai说。“是什么导致它得出最终结论？算法必须是可解释的，以使其按预期工作。”

适应其他癌症的算法

因为癌症导致其影响的组织中的不同类型的变化，所以组织中癌症的存在最终可导致其物理性质的变化，例如密度或孔隙率的变化。这些变化可以被视为医学图像中的信号。机器学习算法的作用是挑选出这个信号并用它来确定正在成像的给定组织是否是癌性的。

利用这些想法，Oberai和他的团队正在与南加州大学凯克医学院临床放射学教授Vinay Duddalwar合作，通过对比增强CT图像更好地诊断肾癌。使用在训练乳腺癌诊断机器学习算法中确定的原则，他们正试图训练算法，使其具备在肾癌病例中可能显著显示的其他特征，比如反映患者微血管系统(帮助组织内分配血液的微血管网络)癌症特异性变化的组织变化。