AI時代，人工智慧可以更快更準確地診斷乳腺癌嗎？

機器學習已逐漸成為推進癌症檢測和診斷的重要工具。癌症在其影響的組織中會引起不同類型的變化，所以癌症在組織中的存在最終會導致其物理特性的變化，例如密度或孔隙度的變化。這些變化可以在醫學圖像中作為信號識別出來。機器學習演算法的作用是挑選出這個信號，並用它來確定正在成像的特定組織是否癌變。

以乳腺癌為例，乳腺超聲彈性成像是一種新興的成像技術，通過以非侵入性的方式評估潛在乳腺病變的剛度，從而提供有關該病變的信息。

乳腺癌是女性癌症相關死亡的主要原因。據統計，有將近1/10的乳腺癌被誤診為良性，這意味著病人可能會失去關鍵的治療時間。另一方面，女性做的乳房X光檢查越多，出現假陽性結果的幾率也越大。經過10年的年度乳房X光檢查，大約2/3的沒有癌症的患者可能被懷疑患癌，並接受侵入性乾預，比如組織活檢。

與傳統的成像方式相比，乳腺超聲彈性成像利用了關於癌性和非癌性乳腺病變特徵的更精確信息，顯示出更高的準確性。然而，這一過程的關鍵是一個複雜的計算問題，解決起來既費時又麻煩。

那如果依賴於演算法的指導呢?

南加州大學維特比工程學院航空航天與機械工程系教授Assad Oberai博士，在發表於《應用力學與工程中的計算機方法》上的研究論文《通過深度學習繞過反問題的解決方案:彈性成像的應用》中提出了這個問題。

Oberai博士和包括南加州大學維特比工程學院博士生Dhruv Patel在內的一組研究人員，特別考慮了以下問題:

能否訓練機器使用合成數據來解釋真實世界的圖像，並簡化診斷步驟呢?

Oberai博士說，答案很可能是肯定的。

以乳腺超聲彈性成像為例，一旦拍攝了受影響區域的圖像，就對圖像進行分析，以確定組織內的位移。利用這些數據和物理力學定律，確定了機械性能(比如它的剛度)的空間分布。在此之後，必須從分布中識別和量化適當的特徵，最終將腫瘤分類為惡性或良性。問題是最後兩個步驟在計算上很複雜，而且具有內在的挑戰性。

在研究中，Oberai博士試圖確定他們是否可以完全跳過這個工作流中最複雜的步驟。

癌性乳腺組織有兩個關鍵特性：異質性，即有些區域是柔軟的，有些區域是堅硬的;非線性彈性，即纖維在被拉伸時提供了很大的阻力，而不是最初與良性腫瘤相關的阻力。了解了這一點，Oberai博士創建了基於物理的模型，顯示了這些關鍵屬性的不同級別。為了訓練機器學習演算法，他使用了來自這些模型的數千個數據輸入。

合成數據與真實數據

為什麼要使用合成的數據來訓練演算法呢?真實的數據不是更好嗎?

Oberai博士解釋說：「如果你有足夠的數據，你就不會使用合成的數據來訓練演算法。但就醫學成像而言，如果你有1000張圖像，就已經很幸運了。在這種數據匱乏的情況下，這類技術變得非常重要。」

Oberai博士和他的團隊使用了大約12000張合成圖像來訓練他們的機器學習演算法。這個過程在許多方面與照片識別軟體的工作原理類似，通過重複輸入如何識別圖像中的特定人物，或者我們的大腦如何學會將貓和狗進行分類來學習。通過足夠多的例子，該演算法能夠收集良性腫瘤和惡性腫瘤固有的不同特徵，並做出正確的判斷。

Oberai博士說：「我們的準確率約為80%。接下來，我們將使用更多真實世界的圖像作為輸入，繼續改進演算法。」

這類演算法會取代放射科醫生在確定診斷中的作用嗎?

絕對不會。

Oberai博士指出，這類演算法可以發揮重要作用，但它無法作為癌症診斷的唯一仲裁者，而是作為一種幫助引導放射科醫生得出更準確結論的工具。不過，這些演算法只有在不充當黑盒時，才會是最有用的。「演算法必須是可解釋的，才能按預期工作。」