我们很快就可以用人工智能来检测脑肿瘤

　　

牛津大学出版社发表在《生物学方法与协议》上的一篇新论文表明，科学家可以训练人工智能模型来区分脑肿瘤和健康组织。人工智能模型已经可以在核磁共振成像图像中发现脑肿瘤，几乎和人类放射科医生一样好。

研究人员在将人工智能（AI）用于医学方面取得了持续进展。人工智能在放射学领域尤其有前景，因为等待技术人员处理医学图像可能会延误患者的治疗。卷积神经网络是一种强大的工具，它允许研究人员在大型图像数据集上训练人工智能模型，以识别和分类图像。通过这种方式，神经网络可以“学习”区分图片。这些网络还具有“迁移学习”的能力。科学家可以在一个新的、相关的项目中重用在一个任务上训练过的模型。

尽管检测伪装的动物和对脑肿瘤进行分类涉及到非常不同的图像，但参与这项研究的研究人员认为，通过自然伪装隐藏的动物和一群与周围健康组织融合的癌细胞之间存在相似之处。学习的泛化过程——在相同的对象身份下对不同的事物进行分组——对于理解网络如何检测伪装对象至关重要。这种训练对检测肿瘤特别有用。

在这项对公共领域MRI数据的回顾性研究中，研究人员研究了如何在脑癌成像数据上训练神经网络模型，同时引入一种独特的伪装动物检测转移学习步骤，以提高神经网络的肿瘤检测技能。

研究人员使用来自癌症和健康对照大脑的公共在线存储库的核磁共振成像（来源包括Kaggle、美国国立卫生研究院国家癌症研究所的癌症成像档案和VA波士顿医疗保健系统），训练网络区分健康和癌症核磁共振成像、受癌症影响的区域和癌症外观原型（它看起来像什么类型的癌症）。研究人员发现，这些网络在检测正常大脑图像方面几乎是完美的，只有1-2个假阴性，并能区分癌变的大脑和健康的大脑。第一个网络检测脑癌的平均准确率为85.99%，另一个网络检测脑癌的平均准确率为83.85%。

该网络的一个关键特征是其决策可以有多种解释方式，从而增加了医疗专业人员和患者对模型的信任。深度模型通常缺乏透明度，随着该领域的发展，解释网络如何执行决策的能力变得很重要。在这项研究之后，该网络可以生成显示肿瘤特定区域的图像——阳性或阴性分类。这将允许放射科医生与网络交叉验证他们自己的决定，并增加信心，几乎就像第二个机器人放射科医生可以展示核磁共振成像显示肿瘤的指示区域。在未来，这里的研究人员认为，重要的是专注于创建深度网络模型，这些模型的决策可以用直观的方式描述，这样人工智能就可以在临床环境中发挥透明的支持作用。

虽然神经网络在所有病例中更难区分脑癌类型，但很明显，它们在神经网络中有独特的内部表征。随着研究人员在伪装检测方面对网络进行训练，其准确性和清晰度得到了提高。迁移学习提高了网络的准确性。

虽然表现最好的模型比标准人类检测的准确率低6%左右，但研究成功地证明了这种训练范式带来的定量改进。研究人员认为，这种范式与可解释性方法的综合应用相结合，将促进未来临床人工智能研究的必要透明度。

该论文的主要作者Arash Yazdanbakhsh说：“人工智能的进步可以更准确地检测和识别模式。”“因此，这允许更好的基于成像的诊断辅助和筛查，但也需要更多地解释人工智能如何完成任务。”一般来说，瞄准AI的可解释性可以增强人类与AI之间的沟通。这在医疗专业人员和为医疗目的设计的人工智能之间尤为重要。清晰和可解释的模型更有利于辅助诊断、跟踪疾病进展和监测治疗。”