超声被广泛用于早期诊断乳腺癌，但将良性病变误诊为恶性肿瘤有时会导致不必要的活检。为了解决这个问题，科学家们开展了一项涉及中国13家医院的大型多中心研究，训练深度学习模型来准确分类乳房肿块。他们发表在《柳叶刀》杂志上的研究结果，展示了人工智能如何可以作为超声乳腺诊断的辅助工具，并帮助减轻医生的工作量。
2020年，世界卫生组织国际癌症研究机构表示，乳腺癌占全世界女性癌症发病率和死亡率的大多数。这一令人震惊的统计数据不仅需要更新的方法来早期诊断乳腺癌，而且还揭示了对这种疾病发生和发展的风险预测的重要性。
超声波是一种有效的、非侵入性的诊断程序，能够真正拯救生命;然而，超声医生有时很难区分恶性肿瘤和其他类型的良性肿瘤。特别是在中国，乳房肿块被分为四类:良性肿瘤、恶性肿瘤、炎性肿块和腺病(产乳腺增大)。当乳腺良性肿块被误诊为恶性肿瘤时，通常会进行活检，这将患者置于不必要的风险中。考虑到医学专家的巨大工作量，正确解读超声图像变得更加困难。
深度学习算法能解决这个难题吗?贺文教授(首都医科大学北京天坛医院)是这样认为的。
尽管深度学习算法在医学图像分析中的整合已经取得了很大的进展，但大多数乳腺超声研究只涉及恶性和良性诊断的区分。换句话说，现有的方法并没有尝试将乳房肿块归为上述四类。
为了解决这一局限性，贺博士与中国13家医院的科学家合作，进行了迄今为止规模最大的多中心乳腺超声研究，试图训练卷积神经网络(CNNs)对超声图像进行分类。正如他们发表在《科学》杂志上的论文所详述的，科学家们收集了3623名患者的15648张图像，用其中一半来训练，另一半来测试三种不同的CNN模型。第一种模型仅使用二维超声强度图像作为输入，而第二种模型还包括彩色血流多普勒图像，提供乳腺病变周围的血流信息。第三种模型进一步增加了脉冲波多普勒图像，提供病变内特定区域的光谱信息。
每个CNN由两个模块组成。第一个是检测模块，包含两个主要的子模块，其总体任务是确定原始二维超声图像中乳腺病变的位置和大小。第二模块，即分类模块，只接收包含检测到病变的超声图像中提取的部分。输出层包含四类，分别对应中国常用的四类乳腺肿块。
首先，科学家们检查了三种模型中哪一种表现得更好。准确率相近，约为88%，但包含二维图像和彩色血流多普勒数据的第二种模型的准确率略高于其他两种模型。脉冲波多普勒数据对性能没有积极贡献的原因可能是在整个数据集中很少有脉冲波图像可用。然后，研究人员检查了肿瘤大小的差异是否导致了表现的差异。虽然在良性肿瘤中，较大的病变导致准确性的提高，但在检测恶性肿瘤时，大小似乎对准确性没有影响。最后，科学家们将他们的CNN模型与37名经验丰富的超声专家的表现进行了对比，这些专家使用了一组随机选择的50幅图像。结果在各方面都对CNN有利，正如贺建奎所说:“。”
这项研究清楚地展示了深度学习算法作为辅助工具通过超声诊断乳腺病变的能力。此外，与以往的研究不同的是，研究人员包括了使用不同制造商的超声波设备获得的数据，这暗示了训练有素的CNN模型的显著适用性，无论超声设备存在于每家医院。在未来，人工智能与超声诊断程序的整合可以加快癌症的早期检测。它还会带来其他好处，贺建奎解释道:“”
让我们希望人工智能很快在超声图像诊断领域找到归宿，这样医生就可以更智能地工作，而不是更努力地工作。
