深度学习如何成为癌症检测的下一步

人工智能可能是医疗诊断的新面孔。一种名为深度学习的人工智能首次被应用于新的超声成像设备中，以帮助乳房检查，并帮助患者避免不必要的活检。

三星麦迪逊超声系统的一项新功能使用深度学习算法，就乳房异常是良性的还是癌变的提出建议。公关经理道格·金表示，“乳房S-Detect”功能现已包含在该公司RS80A超声系统的升级中，并在欧洲、中东和韩国的部分地区上市，目前正在等待美国食品和药物管理局的批准。深度学习依靠大量数据为复杂的决策算法提供信息，从语音和图像识别软件到药物研究，它在方方面面都有所帮助。

开发人员使用了之前匿名乳房检查中大约9000张乳房病变（乳房肿块或异常的术语）图像构建了该算法。三星麦迪逊执行副总裁韦恩·斯皮特尔在接受《大众科学》采访时说，放射科医生阅读了每张图像，并注意到了病变的各种特征，如形状和方向。此外，图像中的所有病变都进行了活检，以确定它们是否真的是恶性的。

斯皮特尔说：“你需要对每个病变进行实际诊断，这样你才能真正确保学习过程正确。”

基于这些数据，开发人员构建了算法来关联哪些病变特征——例如形状——与癌症最相关。当使用超声波设备时，该算法可以实时应用于乳房病变的图像，并可以根据先前收集的所有数据就是否应该进行活检提出建议。

“它会观察病变的形状、密度、是流体还是固体、内部是否有模式——它有一套完整的标准来观察，”斯皮特尔说。“做检查的放射科医生实际上会冻结在他想看的图像上，然后应用学习算法。”

然而，三星麦迪逊尚未公布其研究，声称该研究详细说明了算法的准确性。当被问及准确性时，该公司指出了这篇未发表、无法获得的论文。

然而，总的想法是帮助医疗专业人员在更短的时间内做出更准确的建议，帮助他们发现恶性病变，并允许患者避免不必要的良性异常活检——这一过程通常非常安全，但可能既不方便又昂贵。

传统的乳房检查

约翰·霍普金斯医学院乳房成像主任苏珊·哈维说，通常，超声波被认为是乳房检查的第二道防线。一般来说，乳房X光片是第一个使用的筛查工具。如果检测到异常，那么超声波可能会被用于进一步评估。

芝加哥大学放射学系放射学助理教授、乳腺成像科科长戴维·沙赫特说，在一次典型的超声检查中，阅读扫描结果的放射科医生或专业人士会手动检查病变的一些特征，这些特征可以用来判断病变是否是恶性的。例如，充满液体的囊肿通常不需要活检，而固体肿块则更令人担忧。

当观察这些固体质量时，某些特征可能会很突出。

“这些特征包括肿块的形状，”沙赫特说。“当它是圆形或椭圆形时，它更有可能是良性的。如果它的形状更不规则，它更有可能是恶性肿瘤。”放射科医生还可以检查肿块边缘的外观或进入其中的血管，这也可能有助于表明癌症。

最终，专业人员会一起评估所有这些特征，以便就是否应该进行活检提出建议。

沙赫特补充道：“但肯定有许多固体肿块的良性活检是有多种原因的。”“要么肿块没有你希望看到的每一个良性特征，称之为良性而不是活检，要么患者因素，如高危状态或患者担忧，都可能影响固体肿块——即使是极不可能是癌症的肿块——是否接受活检的决定。”

哈维指出，根据美国的标准，“如果你活检的病变中有25%到35%是癌症，那么你的表现就达到了足够的标准。”

所以，通常情况下，进行的活检比实际指示癌症的要多得多。 哈维指出，当然，遗漏癌症的风险很大，而与活检相关的健康风险很小。但是也需要考虑不必要的活检的成本。

深度学习和医疗设备

对于乳腺S-Detect，该算法并非旨在实时学习——也就是说，它不会从评估的每一张新图像中收集数据，并利用这些数据进行自我更新。无论如何，在对任何给定图像进行活检并记录最终诊断（癌性或良性）之前，该算法都无法“学习”。然而，开发人员可以选择稍后用更多数据更新程序，并将更新后的算法应用于更新后的超声系统模型。

目前，还没有发表关于该算法准确性的同行评议研究（与传统乳房检查相比），尽管金指出，一篇涉及韩国首尔三星医疗中心合作者的论文正在撰写中，可能会在年内发表。该公司还在探索用于其他类型超声检查的深度学习算法的想法，如甲状腺成像。

与此同时，在没有使用这种特定设备的情况下，Schacht指出，在诊断中使用大数据是“一个重要的概念”。

“几十年来，使用计算机和大数据来更多地了解和理解成像中看到的乳房病变，一直是乳房成像的重要组成部分，可以追溯到计算机辅助检测真正开始应用于乳房X光造影的时代，”他说。“我认为在乳房成像中使用图像上的可用数据来推进这一领域有着悠久的历史。”

Dave Gershgorn为本文提供了报道。