牛津大学出版社美国分社发布的一篇新论文显示，科学家可以训练人工智能模型来区分脑肿瘤和正常组织。人工智能模型已经能够在MRI图像中找到脑肿瘤，其表现几乎与人类放射科医生相当。
研究人员在医学领域的人工智能应用方面取得了持续进展。特别是在放射学领域，等待技术人员处理医学图像可能会延迟患者的治疗。该网络的一个关键特点是其决策可以通过多种方式解释，从而增加医疗专业人员和患者对模型的信任。
卷积神经网络（CNN）是强大的工具，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。这些网络还具有“迁移学习”的能力，即可以在一个任务上训练的模型用于新的相关项目。尽管检测伪装动物和分类脑肿瘤涉及非常不同的图像类型，但参与这项研究的研究人员相信，伪装动物与癌细胞在健康组织中混迹之间存在平行关系。
在这一回顾性研究中，研究人员使用公共领域的MRI数据，调查了如何训练神经网络模型进行脑癌成像数据的分析，同时引入了一个独特的伪装动物检测迁移学习步骤，以提高网络的肿瘤检测能力。研究人员使用来自公共在线存储库的癌症和健康对照脑部MRI图像（来源包括Kaggle、美国国立卫生研究院国家癌症研究所的癌症影像档案馆和波士顿退伍军人保健系统），训练网络区分健康和癌症MRI图像、受癌症影响的区域以及癌症外观原型（癌症的类型）。
研究发现，网络在检测正常脑图像方面几乎完美，只有1-2个假阴性，能够很好地区分癌症和健康大脑。第一个网络在检测脑癌方面的平均准确率为85.99%，另一个网络的准确率为83.85%。
网络的一个关键特点是其决策可以通过多种方式解释，从而增加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，随着该领域的不断发展，解释网络如何做出决策的能力变得越来越重要。通过这项研究，网络可以生成图像，显示其在肿瘤阳性或阴性分类中的特定区域。这将使放射科医生能够验证自己的决定，并增加信心，几乎就像一个第二机器人放射科医生，可以指出MRI图像中指示肿瘤的关键区域。
未来，研究人员认为，创建决策可以直观描述的深度网络模型将非常重要，以便人工智能能够在临床环境中发挥透明的支持作用。尽管网络在区分不同类型的脑癌方面仍然面临挑战，但显然它们在网络内部有明确的表示。随着研究人员在伪装检测方面的训练，准确性和清晰度得到了提升。迁移学习导致网络准确率的提高。
虽然表现最好的模型比标准的人类检测准确率低约6%，但研究成功展示了这种训练范式带来的定量改进。研究人员相信，这种范式结合全面的可解释性方法的应用，将促进未来临床人工智能研究所需的透明度。
“人工智能的进步使得模式的检测和识别更加准确，”该论文的主要作者Arash Yazdanbakhsh说，“这不仅有助于基于影像的诊断辅助和筛查，但也需要更多地解释人工智能是如何完成任务的。追求人工智能的可解释性增强了人类与人工智能之间的沟通。”这一点在医疗专业人员与设计用于医疗目的的人工智能之间尤为重要。清晰和可解释的模型更有助于诊断、跟踪疾病进展和监测治疗。
(全文结束)
