最近開發的一個人工智能平臺為醫學專業人員篩查乳腺癌提供了一個新的、透明的工具，用于評估乳房 X 光掃描。 research 創建了一個 AI 模型，用于評估掃描并突出顯示算法發現的相關圖像部分。這項工作可以幫助醫療專業人員確定患者是否需要進行侵入性且經常是神經損傷的活組織檢查。

杜克大學放射學教授兼研究合著者約瑟夫·洛（ Joseph Lo ）在一份 press release 報告中說：“如果一臺計算機要幫助做出重要的醫療決策，醫生需要相信人工智能是基于有意義的東西得出結論的。”。“我們需要的算法不僅能起作用，還能自我解釋，并舉例說明他們的結論是基于什么。這樣，無論醫生是否同意結果，人工智能都能幫助做出更好的決定。”

在美國，每八名女性中就有一人會在一生中患上浸潤性乳腺癌。如果早期發現，女性在頭 5 年的存活率為 93% 或更高。

乳腺 X 射線攝影術使用低能 X 射線檢查乳腺組織以進行診斷和篩查，是早期發現的有效工具，但需要一名高技能放射科醫生來解釋掃描結果。然而，假陰性和假陽性確實會發生，導致漏診和高達 40% 的活檢病變為良性。

近年來，將人工智能用于醫學影像分析的應用有了顯著的發展，并在解釋數據方面提供了優勢。實現人工智能模型也有風險，尤其是當算法失敗時。

研究負責人、杜克大學計算機科學博士候選人 Alina Barnett 說：“我們的想法是建立一個系統，說明潛在癌病變的這一特定部分與我以前見過的另一部分非常相似。”。“如果沒有這些明確的細節，如果無法理解系統有時會出錯的原因，醫生將失去時間和對系統的信心。”

利用杜克大學衛生系統 484 名患者的 1136 張圖像，研究人員對算法進行了訓練，以定位和評估潛在的癌區。這是通過訓練模型來識別不健康的組織或病變來實現的，這些組織或病變在掃描中通常表現為明亮或不規則的形狀，邊緣模糊。

然后放射科醫生給這些圖像貼上標簽，教算法聚焦于模糊邊緣，也稱為邊緣。通常與快速生長的乳腺癌細胞相關，邊緣是癌性病變的有力指標。通過這些仔細標記的圖像， AI 可以比較癌性邊緣和良性邊緣，并學會區分它們。

AI 模型使用 cuDNN 加速 PyTorch 深度學習框架，可以在兩個 NVIDIA P100 或 V100 GPU 上運行。

圖 1 。上圖顯示了一個人工智能模型，用于在乳房 X 光攝影中發現癌前病變，而無需揭示決策過程。下圖顯示了 IAIA-BL 模型，它告訴醫生它在看什么，以及它是如何得出結論的。信貸：艾琳娜·巴內特，杜克大學。

研究人員發現，人工智能與其他基于機器學習的乳房 X 光成像模型一樣有效，但它具有決策透明的優勢。當模型錯誤時，放射科醫生可以看到錯誤是如何產生的。

根據這項研究，該模型也可以成為一個有用的工具，用于指導醫學生如何閱讀乳房 X 光片掃描，以及世界上缺乏癌癥專家的資源受限地區。

關于作者

Michelle Horton 是 NVIDIA 的高級開發人員通信經理，擁有通信經理和科學作家的背景。她在 NVIDIA 為開發者博客撰文，重點介紹了開發者使用 NVIDIA 技術的多種方式。

審核編輯：郭婷