侵權(quán)投訴
訂閱
糾錯(cuò)
加入自媒體

紐約大學(xué)AI模型要幫助篩查乳腺癌

乳房X光照相技術(shù)能夠降低乳腺癌死亡率是一個(gè)公認(rèn)的事實(shí)。與替代篩查相關(guān)的假陽性高召回率加快了IBM、麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室等機(jī)構(gòu)對(duì)人工智能驅(qū)動(dòng)系統(tǒng)的開發(fā)。但它們并不完美,因?yàn)榕c更多最近的測(cè)試相比,大多數(shù)模型只進(jìn)行過一次單一的篩選測(cè)試。

這一缺陷促使紐約大學(xué)數(shù)據(jù)科學(xué)中心和放射學(xué)系的一組研究人員提出了一個(gè)機(jī)器學(xué)習(xí)框架,即篩查先前檢查時(shí)生成的不同種類乳房X光照片,利用先前的檢查結(jié)果做出診斷。他們說,在初步測(cè)試中,它降低了基線(基線就是被用為對(duì)比模型表現(xiàn)參考點(diǎn)的簡(jiǎn)單模型;幫助模型開發(fā)者量化模型在特定問題上的預(yù)期表現(xiàn))的錯(cuò)誤率,并在預(yù)測(cè)篩查人群的惡性腫瘤時(shí),達(dá)到了0.8664的曲線下面積(在所有分類閾值下的性能指標(biāo),即預(yù)測(cè)的準(zhǔn)確率)。

合著者寫道:“放射科醫(yī)生經(jīng)常將目前的乳房X光照片與之前的照片進(jìn)行比較,以便做出更明智的診斷。例如,如果一個(gè)可疑的區(qū)域隨著時(shí)間的推移變得越來越大或密度越來越大,放射科醫(yī)生就會(huì)更加確信它是惡性的。相反,如果一個(gè)可疑的區(qū)域沒有增長(zhǎng),那么它可能是良性的。”

該團(tuán)隊(duì)在紐約大學(xué)開源乳腺癌篩查數(shù)據(jù)集上訓(xùn)練了一組機(jī)器學(xué)習(xí)模型,每組篩查中至少包含一張圖像,對(duì)應(yīng)于乳房X光攝影篩查中常用的四種視圖(右顱尾側(cè)、左顱尾側(cè)、右中外側(cè)斜肌和左中外側(cè)斜。。他們使用了四種二元標(biāo)簽來表示左乳或右乳有無良、惡性的發(fā)現(xiàn),并且只考慮了包括患者在內(nèi)的數(shù)據(jù)集的子集,而這些數(shù)據(jù)集之前的檢查數(shù)據(jù)都是可獲得的。

實(shí)驗(yàn)所收集的數(shù)據(jù)庫中包含了來自43013名患者的127451份檢查,其中有2519份至少進(jìn)行了一次活體組織切片檢查。

該團(tuán)隊(duì)根據(jù)這些數(shù)據(jù)訓(xùn)練了一系列機(jī)器學(xué)習(xí)模型,然后僅使用訓(xùn)練數(shù)據(jù)集的一部分來比較它們的性能。他們注意到,與良性預(yù)測(cè)的基線相比,其效果并沒有明顯的改善,他們將其歸因于算法傾向于關(guān)注掃描區(qū)域的顯著變化。(而良性的改變并不明顯。)但他們發(fā)現(xiàn),其中一個(gè)模型——AlignLocalCompare——對(duì)惡性腫瘤的發(fā)現(xiàn)表現(xiàn)出明顯的改善,預(yù)測(cè)腫瘤發(fā)生的可能性為0.97,而基線預(yù)測(cè)僅為0.73。

聲明: 本文系OFweek根據(jù)授權(quán)轉(zhuǎn)載自其它媒體或授權(quán)刊載,目的在于信息傳遞,并不代表本站贊同其觀點(diǎn)和對(duì)其真實(shí)性負(fù)責(zé),如有新聞稿件和圖片作品的內(nèi)容、版權(quán)以及其它問題的,請(qǐng)聯(lián)系我們。

發(fā)表評(píng)論

0條評(píng)論,0人參與

請(qǐng)輸入評(píng)論內(nèi)容...

請(qǐng)輸入評(píng)論/評(píng)論長(zhǎng)度6~500個(gè)字

您提交的評(píng)論過于頻繁,請(qǐng)輸入驗(yàn)證碼繼續(xù)

  • 看不清,點(diǎn)擊換一張  刷新

暫無評(píng)論

暫無評(píng)論

    醫(yī)療科技 獵頭職位 更多
    文章糾錯(cuò)
    x
    *文字標(biāo)題:
    *糾錯(cuò)內(nèi)容:
    聯(lián)系郵箱:
    *驗(yàn) 證 碼:

    粵公網(wǎng)安備 44030502002758號(hào)