乳腺癌是女性癌癥相關死亡的主要原因。也很難診斷。近十分之一的癌癥被誤診為非癌癥，這意味著患者可能會失去關鍵的治療時間。另一方面，女性乳房的x光照片越多，她就越有可能看到假陽性結果。經(jīng)過10年的年度乳房x光檢查，大約三分之二沒有癌癥的患者將被告知他們將接受侵入性干預，最有可能的是活檢。
乳腺超聲彈性成像是一種新的成像技術，它通過無創(chuàng)評估乳腺硬度來提供乳腺潛在病變的信息。與傳統(tǒng)的成像模式相比，該方法使用了更準確的癌癥和非癌癥乳腺病變的特征信息。
然而，這個過程中的關鍵是一個復雜的計算問題，這可能是一個耗時且麻煩的解決方案。但是如果我們依靠算法的指導呢？
USC維特比工程學院的Assad Oberai，航空航天與機械工程系的Hughes教授在他的研究論文《通過深度學習解決力學中的反問題：應用于彈性成像》中提出了這個問題，并發(fā)表了《力學與工程方法在計算機上的應用》。Oberai與包括南加州大學維特比博士學生Dhruv Patel在內的一批研究人員一起，特別考慮了以下內容：能否使用合成數(shù)據(jù)訓練機來解讀真實世界的圖像，簡化診斷步驟？Oberai說，答案可能是肯定的。
在乳房超聲彈性成像的情況下，一旦獲取了受影響區(qū)域的圖像，就分析該圖像以確定組織中的位移。利用這些數(shù)據(jù)和力學的物理定律，可以確定力學特性的空間分布——就像它的剛度一樣。之后，必須從分布中識別和量化適當?shù)奶卣鳎@將最終導致腫瘤分類為惡性或良性。問題是最后兩個步驟在計算上很復雜，而且本身就具有挑戰(zhàn)性。
在研究中，Oberai試圖確定他們是否可以完全跳過這個工作流程中最復雜的步驟。
癌癥乳腺組織有兩個關鍵特征：異質性，這意味著一些區(qū)域是軟的，而其他區(qū)域是硬的和非線性的，這意味著纖維在牽引時提供很大的阻力，而不是與良性腫瘤相關的初始給藥。了解到這一點后，Oberai創(chuàng)建了一個基于物理的模型，以在不同層面上展示這些關鍵屬性。然后，他使用從這些模型中獲得的數(shù)千個數(shù)據(jù)輸入來訓練機器學習算法。
合成和真實世界的數(shù)據(jù)
但是為什么要使用綜合導出的數(shù)據(jù)來訓練算法呢？真實的數(shù)據(jù)不是更好嗎？
“如果你有足夠的數(shù)據(jù)，你就不會，”奧布雷說?！暗窃卺t(yī)學成像的情況下，如果你有1000張圖像，那么你是幸運的。在這種情況下，數(shù)據(jù)稀缺，這些技術變得非常重要?！?
Oberai和他的團隊使用了大約12000幅合成圖像來訓練他們的機器學習算法。這個過程在很多方面與照片識別軟件的工作方式類似，學習如何通過重復輸入來識別圖像中的特定人，或者學習我們的大腦如何對貓和狗進行分類。通過足夠多的例子，該算法可以收集良性腫瘤和惡性腫瘤固有的不同特征，并做出正確的判斷。
Oberai和他的團隊在其他合成圖像上實現(xiàn)了接近100%的分類準確率。一旦算法經(jīng)過訓練，他們將在真實世界的圖像上進行測試，以確定診斷的準確性，并根據(jù)與這些圖像相關的活檢證實的診斷來測量這些結果。
“我們的準確率約為80%。接下來，我們繼續(xù)通過使用更多的真實世界圖像作為輸入來改進算法，”O(jiān)berai說。
更改診斷模式
有兩個流行的觀點使得機器學習成為推進癌癥檢測和診斷領域的重要工具。首先，機器學習算法可以檢測對人類不透明的模式。通過操縱許多這樣的模式，該算法可以產(chǎn)生精確的診斷。其次，機器學習提供了減少操作員對操作員錯誤的機會。
那么，這將取代放射科醫(yī)生在確定診斷中的作用嗎？當然不是。Oberai沒有預見到該算法可能是癌癥診斷的唯一仲裁者，而是一個可以幫助指導放射科醫(yī)生得出更準確結論的工具?！捌毡榈墓沧R是，這些類型的算法可以發(fā)揮重要作用，包括最有影響力的成像專業(yè)人士。然而，當這些算法不被用作黑盒時，它們將是最有用的，”O(jiān)berai說。“它看到了什么導致了最后的結論？該算法必須是可解釋的，因為它可以按預期工作?！?
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！