乳腺癌是女性癌症相关死亡的主要原因。也很难诊断。近十分之一的癌症被误诊为非癌症，这意味着患者可能会失去关键的治疗时间。另一方面，女性乳房的x光照片越多，她就越有可能看到假阳性结果。经过10年的年度乳房x光检查，大约三分之二没有癌症的患者将被告知他们将接受侵入性干预，最有可能的是活检。
乳腺超声弹性成像是一种新的成像技术，它通过无创评估乳腺硬度来提供乳腺潜在病变的信息。与传统的成像模式相比，该方法使用了更准确的癌症和非癌症乳腺病变的特征信息。
然而，这个过程中的关键是一个复杂的计算问题，这可能是一个耗时且麻烦的解决方案。但是如果我们依靠算法的指导呢？
USC维特比工程学院的Assad Oberai，航空航天与机械工程系的Hughes教授在他的研究论文《通过深度学习解决力学中的反问题：应用于弹性成像》中提出了这个问题，并发表了《力学与工程方法在计算机上的应用》。Oberai与包括南加州大学维特比博士学生Dhruv Patel在内的一批研究人员一起，特别考虑了以下内容：能否使用合成数据训练机来解读真实世界的图像，简化诊断步骤？Oberai说，答案可能是肯定的。
在乳房超声弹性成像的情况下，一旦获取了受影响区域的图像，就分析该图像以确定组织中的位移。利用这些数据和力学的物理定律，可以确定力学特性的空间分布——就像它的刚度一样。之后，必须从分布中识别和量化适当的特征，这将最终导致肿瘤分类为恶性或良性。问题是最后两个步骤在计算上很复杂，而且本身就具有挑战性。
在研究中，Oberai试图确定他们是否可以完全跳过这个工作流程中最复杂的步骤。
癌症乳腺组织有两个关键特征：异质性，这意味着一些区域是软的，而其他区域是硬的和非线性的，这意味着纤维在牵引时提供很大的阻力，而不是与良性肿瘤相关的初始给药。了解到这一点后，Oberai创建了一个基于物理的模型，以在不同层面上展示这些关键属性。然后，他使用从这些模型中获得的数千个数据输入来训练机器学习算法。
合成和真实世界的数据
但是为什么要使用综合导出的数据来训练算法呢？真实的数据不是更好吗？
“如果你有足够的数据，你就不会，”奥布雷说。“但是在医学成像的情况下，如果你有1000张图像，那么你是幸运的。在这种情况下，数据稀缺，这些技术变得非常重要。”
Oberai和他的团队使用了大约12000幅合成图像来训练他们的机器学习算法。这个过程在很多方面与照片识别软件的工作方式类似，学习如何通过重复输入来识别图像中的特定人，或者学习我们的大脑如何对猫和狗进行分类。通过足够多的例子，该算法可以收集良性肿瘤和恶性肿瘤固有的不同特征，并做出正确的判断。
Oberai和他的团队在其他合成图像上实现了接近100%的分类准确率。一旦算法经过训练，他们将在真实世界的图像上进行测试，以确定诊断的准确性，并根据与这些图像相关的活检证实的诊断来测量这些结果。
“我们的准确率约为80%。接下来，我们继续通过使用更多的真实世界图像作为输入来改进算法，”Oberai说。
更改诊断模式
有两个流行的观点使得机器学习成为推进癌症检测和诊断领域的重要工具。首先，机器学习算法可以检测对人类不透明的模式。通过操纵许多这样的模式，该算法可以产生精确的诊断。其次，机器学习提供了减少操作员对操作员错误的机会。
那么，这将取代放射科医生在确定诊断中的作用吗？当然不是。Oberai没有预见到该算法可能是癌症诊断的唯一仲裁者，而是一个可以帮助指导放射科医生得出更准确结论的工具。“普遍的共识是，这些类型的算法可以发挥重要作用，包括最有影响力的成像专业人士。然而，当这些算法不被用作黑盒时，它们将是最有用的，”Oberai说。“它看到了什么导致了最后的结论？该算法必须是可解释的，因为它可以按预期工作。”
标签：
免责声明：本文由用户上传，如有侵权请联系删除！