紐約大學朗根健康學院的研究人員旨在通過一種新的人工智能模型改進乳腺癌診斷。最近發表在 Science Translational Medicine 上的 研究?概述了一個深度學習框架，該框架通過 MRI 預測乳腺癌的準確性與委員會認證的放射科醫生一樣高。這項研究可能有助于創建一個在臨床環境中實施基于人工智能的癌癥診斷模型的基礎框架。
研究資深作者 Krzysztof J. Geras 表示：“乳腺 MRI 檢查很難解釋，即使對于經驗豐富的放射科醫生來說也很耗時。人工智能在改善醫學診斷方面有巨大潛力，因為它可以從成千上萬的檢查中學習。使用人工智能協助放射科醫師可以使過程更準確，并對結果有更高的信心。”， Department of Radiology at the NYU Grossman School of Medicine 的助理教授。
作為乳腺癌診斷的敏感工具， MRI 可以幫助識別乳房 X 光檢查和臨床應用中有時遺漏的惡性病變。
動態對比增強磁共振成像（ DCE-MRI ）經常被用作高危患者的篩查工具，其應用范圍正在擴大。該工具可以幫助醫生調查潛在的可疑病變或評估新診斷患者的疾病程度。這種類型的醫學成像也可以幫助醫生制定治療計劃，包括是否進行活檢或所需的手術范圍。這兩種情況都會影響患者的短期和長期預后。
據研究人員稱，磁共振成像在預測疾病病理學和更好地了解腫瘤生物學方面具有尚未開發的潛力。從大型、注釋良好的數據集開發人工智能模型可能是提高這些掃描靈敏度和減少不必要活檢的關鍵。
研究人員利用從紐約大學朗根健康乳腺成像網站進行的臨床檢查中提取的數據集，制作了一個人工智能模型，以提高乳腺癌診斷的準確性。數據集包括來自高危篩查、術前計劃、常規監測或可疑發現后隨訪患者的雙邊 DCE-MRI 研究。
他們在 NVIDIA Apex 開放源碼庫中訓練了一組具有 3D 卷積的深部神經網絡，用于檢測時空特征，使用 14198 個標記的 MRI 檢查，精度參差不齊。據該團隊稱，使用該庫可以在培訓期間增加批次大小。
這些網絡使用 cuDNN 加速 PyTorch 框架在大學的 HPC 集群上進行訓練，該集群配有 136 NVIDIA V100 GPUs 和 NVIDIA NVLink ，用于擴展內存和性能。
NVIDIA Collective Communication Library 加強了多 GPU 訓練，單個模型的訓練平均耗時 12 天。
Geras 說：“ GPU 利用高維數據進行訓練，因為我們使用了完整的 MRI 體積。”。
該模型的性能在紐約大學朗根健康中心總共 3936 個核磁共振成像儀上進行了驗證。利用來自杜克大學、波蘭賈杰倫大學醫院的三個額外數據集以及癌癥基因組圖譜乳腺浸潤癌數據收集，該團隊驗證了該模型可以在不同人群和數據源中工作。
研究人員將模型結果與五名獲得委員會認證的乳腺放射科醫生進行了比較，這些醫生有 2 至 12 年的乳腺 MRI 檢查經驗。臨床醫生從紐約大學朗根健康中心的數據中隨機選擇了 100 項 MRI 研究。
研究小組發現放射科醫生和人工智能系統之間的結果沒有統計意義。 AI 和放射科醫生預測的平均值一起增加了至少 5% 的總體準確性，表明混合方法可能是最有益的。
該模型在不同亞型癌癥患者中也同樣準確，即使在不太常見的惡性腫瘤中也是如此。患者人口統計數據，如年齡和種族，對人工智能系統沒有影響，盡管一些群體的培訓數據很少。
模型輸出還可以與臨床醫生或患者在可疑發現后決定是否進行活檢的個人偏好相結合。默認情況下，建議對所有分類為 BI-RADS 4 類的可疑病變進行活檢，這會導致大量假陽性。 AI 模型預測有助于避免多達 20% 的 BI-RADS 4 類患者進行良性活檢。
作者指出，這項工作有一些局限性，包括理解混合方法如何影響放射科醫生在醫院環境中的決策，或者模型如何進行預測。
研究主要作者 Jan Witowski, 是紐約大學博士后研究員醫學院。
閱讀 Science Translational Medicine 中的研究 Improving breast cancer diagnostics with artificial intelligence for MRI 。>
?
