一项发表在牛津大学出版社《生物学方法与协议》（Biology Methods and Protocols）上的新研究显示，科学家可以训练人工智能模型来区分脑肿瘤和正常组织。目前，人工智能模型在MRI图像中检测脑肿瘤的能力已经接近人类放射科医生的水平。
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误患者的治疗。卷积神经网络是强大的工具，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。通过这种方式，网络可以“学习”区分不同的图片。这些网络还具有“迁移学习”的能力。科学家可以重用一个在某项任务上训练过的模型，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，但参与这项研究的研究人员相信，伪装动物通过自然伪装隐藏自身与癌细胞与周围健康组织融合之间存在相似之处。泛化过程——将不同的事物归类为同一对象身份——对于理解网络如何检测伪装物体至关重要。这种训练对于检测肿瘤特别有用。
在这项回顾性研究中，研究人员使用公共领域的MRI数据，调查了神经网络模型如何在脑癌影像数据上进行训练，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大脑的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医疗系统），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）。
研究人员发现，网络在检测正常脑图像方面几乎完美，仅有1-2个假阴性结果，并且能够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，这增加了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，网络可以生成显示其肿瘤阳性或阴性分类特定区域的图像。这使得放射科医生可以将自己的决策与网络的决策进行交叉验证，增加信心，几乎就像一个可以显示MRI中肿瘤特征区域的第二位机器人放射科医生。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。
虽然网络在所有情况下都难以区分不同类型的脑癌，但它们在网络内部表示中仍然有明显的区别。随着研究人员在伪装检测方面训练网络，准确率和清晰度得到了提高。迁移学习提高了网络的准确性。尽管表现最佳的提议模型比标准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。研究人员认为，这种范式结合全面应用可解释性方法，促进了未来临床人工智能研究所需的透明度。
人工智能的进步使模式检测和识别更加准确。这不仅有助于基于影像的诊断辅助和筛查，还要求更详细地解释人工智能如何完成任务。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。这对于医疗专业人员和设计用于医疗目的的人工智能尤为重要。清晰且可解释的模型更有利于辅助诊断、追踪疾病进展和监测治疗。
——Arash Yazdanbakhsh，论文第一作者
(全文结束)
