这项研究是基于数字乳房x光造影(DM)梦想挑战的结果,这是一个由IBM领导的国际竞赛,来自Física微粒研究所(IFIC, csicuv)的研究人员和来自UPV的电信和多媒体应用研究所(iTEAM)的科学家参加了该竞赛。
来自fic和itam UPV的研究团队是唯一一个完成挑战的西班牙团队。为此,他们做出了一个预测算法基于卷积神经网络这是一种人工智能技术,它模拟了视觉皮层的神经元,并允许对图像进行分类,以及系统的自我学习。口译相关原则x射线该集团还申请了多项专利。UPV终身教授、itam小组成员Alberto Albiol表示:“参与这一挑战使我们小组能够与Valenciana的临床小组在人工智能项目上进行合作。他补充说:“这为我们应用机器学习技术提供了机会,正如文章中提出的那样。”
例如,瓦伦西亚研究人员正在阿尔特米萨进行的工作,该人工智能计算平台由欧盟和瓦伦西亚纳共和国2014-2020年FEDER操作计划资助,用于采购研发+D+i基础设施和设备。“设计降低医疗保健运营成本的策略是可持续应用人工智能的目标之一,”该研究的参与者、该研究的研究员Francisco Albiol指出。“挑战包括从算法部分到与医疗部门共同设计循证策略。人工智能的大规模应用是使医疗保健可持续发展最有前途的技术之一,”他指出。
Digital Mammography (DM) DREAM Challenge的目标是让广泛的国际科学界(来自世界各地的1200多名研究人员)参与,评估人工智能算法是否可以等同或改善放射科医生进行的乳房x光检查的解释。Sage Bionetworks计算肿瘤学副总裁兼DREAM Challenges总裁Justin Guinney解释说:“DREAM Challenge允许在两个独立的数据库中对几十种先进的深度学习算法进行严格和充分的评估。
美国每年减少50万次乳房x光检查
由IBM研究院、Sage Bionetworks和Kaiser Permanente华盛顿研究所领导的“数字乳房x光成像梦想挑战”得出结论,没有任何算法本身能超越放射科医生,将多种方法结合到专家的评估中,提高了检查的准确性。Kaiser Permanente Washington (KPW)和卡罗林斯卡医学院瑞典(KI)提供了数十万张身份不明的乳房x线照片和临床资料。“我们的研究表明,人工智能算法和放射科医生的解释相结合,可以使每年仅在美国就有50万女性无需接受不必要的诊断测试。”IBM Thomas J. Watson研究中心转化系统生物学和纳米技术项目主任、DREAM Challenges的创始人Gustavo Stolovitzky说。
为了保证数据的隐私,防止参与者下载带有敏感数据的乳房x光片,研究的组织者从模型到数据应用了一个工作系统。在系统中,参与者将他们的算法发送给组织者,组织者开发了一个系统,将它们直接应用到数据中。Kaiser Permanente华盛顿健康研究所的Diana Buist说:“这种对数据共享的关注对于保护数据的隐私是特别具有创新性和必要的。”“此外,纳入来自不同国家的数据,进行乳房x光检查的做法不同,表明人工智能可以用于不同人群的方式存在重要差异。”
乳房x光检查是早期发现乳腺癌最常用的诊断技术。虽然这种检测工具通常是有效的,但乳房x光片必须由放射科医生进行评估和解释,他们使用人类的视觉感知来识别癌症的迹象。因此,据估计,在美国每年接受定期乳房x光检查的4000万女性中,有10%的假阳性。华盛顿医学院(Washington School of Medicine)的克里斯托弗·李(Christoph Lee)博士总结道:“一种有效的人工智能算法,可以提高放射科医生在发现临床重大癌症时减少不必要检查重复的能力,这将有助于提高乳房x光检查的价值,有效地提高损益率。”