最近开发的一个人工智能平台为医学专业人员筛查乳腺癌提供了一个新的、透明的工具，用于评估乳房 X 光扫描。 research 创建了一个 AI 模型，用于评估扫描并突出显示算法发现的相关图像部分。这项工作可以帮助医疗专业人员确定患者是否需要进行侵入性且经常是神经损伤的活组织检查。
杜克大学放射学教授兼研究合著者约瑟夫·洛（ Joseph Lo ）在一份 press release 报告中说：“如果一台计算机要帮助做出重要的医疗决策，医生需要相信人工智能是基于有意义的东西得出结论的。”。“我们需要的算法不仅能起作用，还能自我解释，并举例说明他们的结论是基于什么。这样，无论医生是否同意结果，人工智能都能帮助做出更好的决定。”
在美国，每八名女性中就有一人会在一生中患上浸润性乳腺癌。如果早期发现，女性在头 5 年的存活率为 93% 或更高。
乳腺 X 射线摄影术使用低能 X 射线检查乳腺组织以进行诊断和筛查，是早期发现的有效工具，但需要一名高技能放射科医生来解释扫描结果。然而，假阴性和假阳性确实会发生，导致漏诊和高达 40% 的活检病变为良性。
近年来，将人工智能用于医学影像分析的应用有了显著的发展，并在解释数据方面提供了优势。实现人工智能模型也有风险，尤其是当算法失败时。
研究负责人、杜克大学计算机科学博士候选人 Alina Barnett 说：“我们的想法是建立一个系统，说明潜在癌病变的这一特定部分与我以前见过的另一部分非常相似。”。“如果没有这些明确的细节，如果无法理解系统有时会出错的原因，医生将失去时间和对系统的信心。”
利用杜克大学卫生系统 484 名患者的 1136 张图像，研究人员对算法进行了训练，以定位和评估潜在的癌区。这是通过训练模型来识别不健康的组织或病变来实现的，这些组织或病变在扫描中通常表现为明亮或不规则的形状，边缘模糊。
然后放射科医生给这些图像贴上标签，教算法聚焦于模糊边缘，也称为边缘。通常与快速生长的乳腺癌细胞相关，边缘是癌性病变的有力指标。通过这些仔细标记的图像， AI 可以比较癌性边缘和良性边缘，并学会区分它们。
AI 模型使用 cuDNN 加速 PyTorch 深度学习框架，可以在两个 NVIDIA P100 或 V100 GPU 上运行。
研究人员发现，人工智能与其他基于机器学习的乳房 X 光成像模型一样有效，但它具有决策透明的优势。当模型错误时，放射科医生可以看到错误是如何产生的。
根据这项研究，该模型也可以成为一个有用的工具，用于指导医学生如何阅读乳房 X 光片扫描，以及世界上缺乏癌症专家的资源受限地区。
研究代码可通过 GitHub 获取。
