Google Health開發的AI系統實現了新的突破：在乳腺癌篩查上的準確性大大超過放射科醫生。

最新的研究發表在Nature上，為AI進入臨床診斷提供了有力的數據支持。

一直以來，影像診斷都是AI醫療的熱門領域。

這一方案尤其適用于依靠影像診斷的，逐年發病上升，早治療就能提高生存率的乳腺癌。

但是同樣的問題到了中國，解決方案就有所不同：除了依靠X射線篩查，超聲篩查也非常重要。

為何AI優先選擇了乳腺癌

乳腺癌已經是世界范圍內女性最常見的癌癥，并且是女性癌癥死亡的首要原因。在歐美國家，乳腺癌占女性惡性腫瘤的25%—30%。在我國，乳腺癌也是女性第一高發惡性腫瘤。

同時， 盡早篩查是提高早期診斷率、生存率及生存質量的最為有效的方法。乳腺X線鉬靶篩查作為最主要的篩查方式，已經被證實能有效降低乳腺癌死亡率。

因此，提高影像篩查診斷能力，是目前乳腺癌治療的重點。

一直以來，乳腺癌的早期篩查靠醫生讀片做判斷，即使是最資深的醫生，也時常存在誤診。假陽性會帶來不必要的醫療流程，假陰性則會延誤治療。

△乳腺癌細胞生長和轉移過程

此外，逐年上升的發病率，使得醫療資源面臨壓。Google Health的英國負責人Dominic King表示，英國的皇家放射科醫生學院在2018年估計，該國將需要1000多名額外的專職放射科醫生來滿足需求。

AI正好可以發揮特長。

此次論文的作者之一，西北大學麻醉學和生物醫學工程研究助理教授Mozziyar Etemadi說：

讀乳腺X射線片對機器學習和AI來說是完美問題。AI擅長把相同的任務做一遍又一遍，然后在10000次中發現一次不一樣的。

在算力方面，AI的優勢也凸顯出來。

乳腺X射線照片分辨率提高，數據密集，以至于人眼（甚至是有經驗的放射科醫師）也無法完全處理。

大多數醫院計算機系統的功能不足，甚至無法加載乳腺X線照片中提供的全部信息，因此放射線醫生只能看到選定的信息。

而Google的算法幾乎可以處理所有可用像素。

AI表現:診斷率顯著提高，英美兩國數據集可通用

與以往研究相比，這次研究有**三大特點：使用大規模臨床數據集，驗證了同一模型在英美兩國可以通用，AI診斷正確率顯著超越人類。

數據集由來自英國的76,000多名女性和美國的15,000多名女性的乳腺X射線照片。

測試集的規模為25856名英國女性和3097位美國女性。

研究人員對AI進行了兩種不同的測試：

1、分別用英國和美國的數據集進行測試，分別對比臨床診斷率

英國：假陽性減少了1.2%，假陰性減少了2.7%；

美國：假陽性減少了5.7%，假陰性減少了9.4%。

為什么美國的數據比英國好這么多？可能和不同的臨床診斷機制有關，在英國，一個X射線片先由兩位醫生進行診斷，出現異議后再增加第三位；在美國，則只經過一位醫生診斷

2、為了看同一個模型在不同人群之間是否可以通用，研究者只用英國女性的數據對模型進行了訓練，然后用美國女性的數據集進行評估，結果依舊可觀：

假陽性減少了3.5%，假陰性減少了8.1%。

對比測試：AI看片與人類篩查互補

研究還請了六位美國放射科的醫生來共同讀500張X射線片，與AI對比。

結果很有趣，雖然AI的診斷正確率高于人類，但是AI和人眼所遺漏的診斷卻彼此互補。AI能捕捉到人類的遺漏，人類也能捕捉到AI的遺漏。

a圖中的小型的不規則鈣化結構被AI識別出來，但是6位放射科醫生都沒有識別出來

b圖中的大密度塊狀惡性腫瘤被6位放射科醫生識別出來，但是AI卻沒有識別出來

總體而言，AI捕捉的癌癥比醫生捕捉的更有侵入性。研究者尚未對此作出解釋。

非入侵性是指癌細胞會局限于乳葉或乳腺管，而入侵性癌癥則會擴散到其它部位。

這次AI在大數據集上的優異表現，為之后在臨床上進行AI診斷提供了有力支持。

這套AI系統最終的目的是輔助診斷。不過在此之前，還需要進一步的臨床研究。

論文作者Etemadi表示:

我們只需要更好地了解AI之類的工具何時提供幫助，什么時候不提供幫助，最終結合技術和人類貢獻，最終改善護理并提高其效率。

LeCun 質疑，引起Twitter討論

論文發表的第二天，LeCun 在Twitters上對這個論文提出了質疑，表示：

NYU團隊有一個更早的大規模研究，而且開源了。

隨后，谷歌研究團隊DeepMind創始人Hassbis回復了LeCun ，我們引用了這篇論文。

谷歌的論文介紹相關研究概況時，的確兩次涉及到NYU的研究：

少數幾項研究已將預測乳腺癌的系統形容為具有可與人類專家媲美的獨立性能。

至關重要的是，后續的普遍使用的間隔時間不超過12個月，意味著更到下一次檢測前，更微妙癌癥病情可能會被忽略。

LeCun 也立即回復：我沒有生氣，確實是第一次讀論文時遺漏了引用。

不過，隨即，他又轉了來自NYU作者對比兩者研究的評論：

別忘了去年NYU發表了更好的結果，基于更多的案例，和更多人數的人類閱片做比較，而且模型和數據開源。

這兩個研究在twitter 上也引發了更多討論。

大家的主要關注點是，谷歌研究無論是數據還是模型都不公開。

有人說，既然不可以復現，那就不能算科學發現。

簡單對比一下這兩項研究。

首先在數據集上，NYU使用了共計141473位女性的影像，谷歌使用了91000位女性影像；

在模型表現上，NYU的AUC（ROC曲線下面積）達到了0.895，谷歌的研究為英國0.889，美國0.895。

中國乳腺癌早篩特殊性：超聲AI同樣重要

對于中國女性來說，AI篩查乳腺癌的情況有點不一樣，還需要寄希望于中國團隊自己的技術。

因為中國女性的乳房結構和歐美相比差異明顯。中國女性的乳房脂肪較少，腺體占比大，有50%屬于纖維型。腺體遮蔽和結構噪聲更為明顯，正常的乳腺組織和病灶區分度更小。

因此在X線鉬靶篩查之外，超聲篩查也很重要。

《中國女性乳腺癌篩查指南》中推薦X線篩查的為陰性的致密型乳腺女性，補充進行超聲篩查。

目前，在X線鉬靶篩查上，布局較早的有依圖醫療和騰訊覓影，都已經分別推出了自己的AI系統。

依圖與復旦大學腫瘤醫院進行合作，采用了萬量級的帶有病理結果的影像數據來進行AI模型的構建，使其更適用于中國人。

騰訊覓影乳腺腫瘤篩查AI系統則是中國首個相關系統。官網數據顯示，其系統的鈣化和腫塊檢測的敏感度分別為99%和90.2%。良惡性的敏感度和特異度分別為87%和96%。

此外，騰訊覓影在研發將AI技術和超聲篩查相結合的產品。優圖實驗室醫療人工智能科學家鄭冶楓認為，超聲儀器的價格更低，在基層推廣上具有更大潛力。

論文傳送門

https://medium.com/@jasonphang/deep-neural-networks-improve-radiologists-performance-in-breast-cancer-screening-565eb2bd3c9f

https://ieeexplore.ieee.org/document/8861376

https://www.nature.com/articles/s41586-019-1799-6

參考資料：

https://medium.com/@jasonphang/deep-neural-networks-improve-radiologists-performance-in-breast-cancer-screening-565eb2bd3c9f

https://nejmqianyan.cn/article/yxqycp1101540?sg=AbW1NGsHw3NxPd6F

http://html.rhhz.net/ZGZLLC/html/2019-9-1.htm

總結

以上是生活随笔為你收集整理的谷歌AI乳腺癌检测超人类，但平胸可能不适用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。