一项新研究发现，这款人工智能工具经约一百万张乳腺X线筛查图像训练后，与放射科医生的分析相结合，可识别乳腺癌，准确率约为90%。
该研究考察了一类人工智能（AI）——机器学习计算机程序——在帮助一组14名放射科医生审阅720张乳腺X线图像时，对其诊断结果增值的能力。
“我们的研究发现，AI能够识别数据中放射科医生无法识别的癌症相关模式，反之亦然，”纽约大学格罗斯曼医学院放射学系助理教授、该研究资深作者Krzysztof Geras表示。
“AI能够检测到人眼不可见的组织像素级变化，而人类则运用了AI无法掌握的推理方式，”Geras补充道。他同时也是数据科学中心的附属教职人员。“我们工作的最终目标是增强而非取代人类放射科医生。”
2014年，美国无症状女性共进行了超过3900万次乳腺X线检查，以筛查乳腺癌并判断是否需要进一步密切随访。检查结果显示乳腺X线异常的女性，将被转诊进行活检，即取出一小块乳腺组织样本进行实验室检测的程序。
在这项新研究中，研究团队设计了一套统计技术，使其程序能够“学习”如何在无需被明确告知具体方法的情况下，逐步提升任务表现。此类程序通过构建数学模型，基于输入的数据样本进行决策，并且随着处理的数据越来越多，程序会变得越来越“智能”。
现代AI方法从人脑中汲取灵感，利用复杂的电路分层处理信息，每一步都将信息传递至下一步，并在此过程中为每条信息赋予或高或低的权重。
本研究的作者用大量与过去活检结果相匹配的图像训练其AI工具。其目标是使该工具能够帮助放射科医生在未来减少所需的活检次数。Geras表示，这只能通过提高医生对筛查检查评估准确性的信心来实现（例如，减少假阳性和假阴性结果）。
就本研究而言，研究团队分析了七年间作为常规临床诊疗一部分收集的图像，对所收集的数据进行筛选，并将图像与活检结果相匹配。作者表示，这一工作产生了一个规模极其庞大的数据集供其AI工具训练，包括229,426次数字化乳腺X线筛查检查和1,001,093张图像。研究人员迄今在研究中所使用的大多数数据库，图像数量都限于10,000张或更少。
因此，研究人员通过编程让神经网络分析数据库中已确定癌症诊断结果的图像，以训练该网络。这意味着研究人员在测试该工具的准确性时，对每张乳腺X线图像是否为癌症（即“真相”）心知肚明，而该工具则必须进行推测。研究人员以正确预测的频率来衡量准确性。
此外，研究人员设计了该研究的AI模型，使其首先分别考察全分辨率图像中非常小的图块，以生成热图，即一种反映疾病可能性的统计图像。随后，该程序会考察整个乳房中与癌症相关的结构特征，并更加关注像素级热图中被标记的区域。
研究人员无需确定供AI搜索的图像特征，该工具会自行发现哪些图像特征能够提高预测准确性。未来，研究团队计划通过用更多数据训练该AI程序来进一步提高准确性，甚至可能识别出尚未发生癌变但有可能发生癌变的乳腺组织变化。
“在诊断放射学中向AI辅助转型，应当如同自动驾驶汽车的普及一样——缓慢而审慎，逐步建立信任，并在此过程中以安全为重点不断改进系统，”数据科学中心博士候选人、第一作者吴南（Nan Wu）表示。
该研究发表于《IEEE医学成像汇刊》（IEEE Transactions on Medical Imaging）。
其他合著者来自纽约大学、纽约州立大学唐纳德分校医学院、剑桥大学以及雅盖隆大学。
该研究工作部分获得了美国国立卫生研究院的资助。本研究所使用的模型已向业界开放，以推动创新。
