AI时代 人工智能可以愈来愈快愈来愈准确地诊断乳腺癌吗

人工神经网络已逐渐成为推进乳腺癌检测和检验的最主要方法。乳腺癌在其影响的一个组织当中会引起相异类型的叠加，所以乳腺癌在一个组织当中的存在终究会随之而来其物理特性的叠加，例如运动速度或孔隙度的叠加。这些叠加可以在临床投影当中作为路径鉴别出来。人工神经网络方法的决定性作用是所选这个路径，并用它来考虑到正在高分辨率的特定一个组织否癌变。以内膜癌为例，内膜超声稳定性高分辨率是一种新兴的高分辨率高效率，通过以非预防性的方式审计潜在内膜病因的刚度，从而发放有关该病因的讯息。内膜癌是女同性恋乳腺癌关的死亡的主要或许。据统计，有将近1/10的内膜癌被误读为良性，这意味着病人可能会失去决定性的疗程时间。另一多方面，女同性恋做的X光核查越多，出现假白血病结果的几率也越大。经过10年的年度X光核查，有约2/3的并未乳腺癌的患者可能被怀疑患癌，并接受预防性干预，比如一个组织活检。与传统观念的高分辨率方式相比，内膜超声稳定性高分辨率来进行了关于癌性和非癌性内膜病因相似性的更精确讯息，表明出更高的准确性。然而，这一过程的决定性是一个精细的测算解决办法，解决痛快既费时又麻烦。那如果依赖于方法的教导呢？北卡罗来纳州大学阿克比工程学院航空航天与机械工程系名誉教授Assad Oberai麻省理工学院，在发表于《应用力学与工程当中的人工智能方法》上的研究成果研究成果《通过深度修习直抵指为解决办法的解决方案：稳定性高分辨率的应用》当中提出了这个解决办法。Oberai麻省理工学院和有数北卡罗来纳州大学阿克比工程学院麻省理工学院生Dhruv Patel在内的三组研究成果人员，特别考虑了以下解决办法：能否培训机器人用到化学合成数据资料来解读虚拟世界的投影，并重构检验步骤呢？Oberai麻省理工学院说，答案很可能是肯定的。以内膜超声稳定性高分辨率为例，一旦拍摄了受影响范围内的投影，就对投影进行分析，以考虑到一个组织内的位移。来进行这些数据资料和物理力学定律，考虑到了机械性能(比如它的刚度)的空间栖息于。在此之后，能够从栖息于当中鉴别和分析方法适当的相似性，终究将分类为恶性或良性。解决办法是最后两个步骤在测算上很精细，而且具有内在的潜力。在研究成果当中，Oberai麻省理工学院试图考虑到他们否可以完全跳出这个工作流当中最精细的步骤。癌性内膜一个组织有两个决定性特性：异质性，即有些范围内是柔软的，有些范围内是坚硬的；非线性稳定性，即纤维在被收缩时发放了相当大的推进力，而不是最初与良性关的的推进力。了解了这一点，Oberai麻省理工学院创始人了基于物理的数学方法，表明了这些决定性属性的相异级别。为了培训人工神经网络方法，他用到了来自这些数学方法的数千个数据资料读取。化学合成数据资料与主观数据资料为什么要用到化学合成的数据资料来培训方法呢？主观的数据资料不是更好吗？Oberai麻省理工学院解读说：“如果你有充分的数据资料，你就会用到化学合成的数据资料来培训方法。但就临床高分辨率而言，如果你有1000张投影，就已经很碰巧了。在这种数据资料匮乏的情况下，这类高效率变得相当最主要。”Oberai麻省理工学院和他的团队用到了有约12000张化学合成投影来培训他们的人工神经网络方法。这个过程在许多多方面与照片鉴别软件的工作原理相似，通过重复读取如何鉴别投影当中的特定人物，或者我们的中枢神经系统如何学会将兔和狗进行分类来修习。通过充分多的案例，该方法能够收集良性和恶性固有的相异相似性，并做出正确的说明。Oberai麻省理工学院说：“我们的准确率约为80%。每一次，我们将用到更多虚拟世界的投影作为读取，此后优化方法。”这类方法会取代放射科医生在考虑到检验当中的决定性作用吗？绝对会。Oberai麻省理工学院指出，这类方法可以充分发挥最主要决定性作用，但它能够作为乳腺癌检验的唯一仲裁者，而是作为一种协助引导放射科医生测算出来更准确结论的方法。不过，这些方法只有在不充当黑盒时，才会是最有用的。“方法能够是可解读的，才能按预期工作。”