深深地：人工智能提高了乳房超声诊断的准确性
2020年，世界卫生组织癌症研究机构表示，乳腺癌占全球妇女的大多数癌症病态和死亡率。这种令人惊叹的统计不仅需要提前诊断乳腺癌的新方法，而且还带来了风险预测这种疾病的风险预测的重要性。超声是一种真正拯救生命的有效和非侵入性的诊断程序;然而，超声波医生有时难以区分恶性肿瘤和其他类型的良性生长。特别是，在中国，乳房群众分为四类：良性肿瘤，恶性肿瘤，炎症群和腺体（牛奶腺的扩大）。当良性乳房肿块被误诊为恶性肿瘤时，通常遵循活组织检查，这使得患者处于不必要的风险。当在医学专家的大量工作量中考虑时，对超声图像的正确解释变得更加困难。
深度学习算法能解决这个难题吗?何文(中国首都医科大学北京天坛医院)教授认为可以。“人工智能擅长识别图像中的复杂模式，并量化人类难以检测的信息，从而补充临床决策，”他说。尽管将深度学习算法整合到医学图像分析中已经取得了很大的进展，但大多数研究都是在乳房超声波专门处理恶性和良性诊断的分化。换句话说，现有方法不尝试将乳房群体分类为四个上述类别。
为了解决这一限制，他与来自中国13家医院的科学家合作，对乳房超声进行了最大的多中心研究，尚未试图培养卷积神经网络（CNNS）来分类超声图像。详细介绍了发表的论文中国医学杂志在美国，科学家们从3623名患者身上收集了15648张图像，并让其中一半进行训练，另一半测试三种不同的CNN模型。第一个模型仅使用二维超声强度图像作为输入，而第二个模型还包括彩色血流多普勒图像，提供乳腺病灶周围血流的信息。第三个模型进一步增加了脉冲波多普勒图像，提供病变内特定区域的光谱信息。
每个CNN由两个模块组成。第一个，检测模块包含两个主子模块，其整体任务是确定原始2D超声图像中乳房病变的位置和大小。第二模块，分类模块，仅从包含检测到的病变的超声图像接收所提取的部分。输出层包含四个类别，其四个分类在中国常用的四种分类中的每一个。
首先，科学家们检查了哪三种模型的表现更好。准确性相似，约为88％，但第二模型包括2D图像和彩色流多普勒数据比另外两个略好。脉冲波多普勒数据没有积极地贡献到性能的原因可以是整个数据集中有很少的脉冲波图像。然后，研究人员检查肿瘤大小的差异是否引起了性能的差异。虽然较大的病变导致提高了准确性良性肿瘤，在检测恶性肿瘤时，尺寸似乎没有对准确性产生影响。最后，科学家通过将其性能与37个经验丰富的超声波家的性能进行比较使用一组50个随机选择的图像来将其中一个CNN模型放入测试中。结果非常赞成各种各样的CNN，如他的备注：“CNN模型的准确性为89.2％，处理时间不到两秒钟。相比之下，超声波学家的平均准确性是30％，平均时间为314秒。“
本研究清楚地展示了深度学习算法的能力作为诊断的互补工具乳房通过超声波的病变。此外，与之前的研究不同，研究人员包括使用来自不同制造商的超声设备获得的数据，该数据在训练有素的CNN模型的显着适用性，无论在每个医院都存在的超声装置。未来，人工智能将人工智能与超声诊断程序的集成可以加速癌症的早期检测。它也会带来其他好处，如他解释说：“因为CNN模型不需要任何类型的特殊设备，他们的诊断建议可以减少预定的活检，简化超声波学家的工作量，并实现有针对性和精制的处理。”
让我们希望人工智能很快在超声图像诊断中找到了一个家，所以医生可以更聪明地工作，不难。
进一步探索
用户评论