人工智能（AI）的进步正在增强癌症诊断，例如Kheiron Medical的MIA工具提高了乳腺癌检测率，算法在预测脑癌方面比人类病理学家更准确。然而，确保多样化、高质量的数据集仍然是一个关键挑战。
近年来，癌症结果显示出改善的趋势，研究显示，35至69岁之间的人因该疾病死亡的人数在过去25年中为最低。特别是在医学影像筛查中使用AI的子领域，AI技术在对抗癌症方面展现出巨大潜力，通过提高诊断准确性并避免不必要的医疗干预。然而，要充分发挥AI筛查的潜力，关键在于克服确保访问高质量、多样化数据的挑战。
MIA，即乳腺筛查智能评估，是由Kheiron Medical Technologies和伦敦帝国理工学院共同开发的AI平台。一项发表在《自然医学》上的研究发现，与临床金标准（即由两位不同的放射科医生分析每个病例）相比，MIA可以在欧洲卫生环境中将早期乳腺癌的检出率提高多达13%。在额外发现的癌症中，83%是侵袭性的，这表明MIA能够在早期检测到至关重要的癌症。在另一项英国测试中，MIA正确检测出了NHS临床医生确定的所有显示乳腺癌迹象的扫描，在10,000张乳房X光片中，MIA还正确检测到了11张临床医生漏掉的扫描。
在华盛顿大学医学院病理学和免疫学系进行的一项研究中，研究人员训练了一种机器学习算法，使用患者活检样本预测早期肺癌患者的脑癌发病情况。该算法能够以87%的准确率预测脑癌的发展，而四位病理学家组成的团队的准确率为57.3%。一小部分早期肺癌患者最终会发展成脑癌，因此，提高预测能力可以避免出于谨慎而采取的过度干预。
提高AI筛查准确性的挑战之一是获得高质量的数据集，这些数据集构成了AI算法“学习”的信息库，以便评估后续的新图像。对于罕见病症和代表性不足的人群来说，获取高质量的数据集可能会变得更加困难。
《国际皮肤病学杂志》的一篇综述指出，当AI应用于非白色肤色或“有色皮肤”时存在显著不足。英国政府委托的一项关于医疗设备设计和使用中的不公平偏见的审查发现，使用AI的图像筛查对某些人群存在固有的偏见，特别是女性、少数族裔和经济弱势群体。一个例子是深色肤色人群的皮肤癌可能被低估，这可能是由于AI系统主要接受浅色肤色图像的训练所致。用于读取胸部X光的AI系统主要接受男性图像的训练，男性通常肺容量较大，这可能会降低女性准确诊断的可能性。如果在一个女性被低估诊断条件的数据集中训练AI模型，可能会导致该模型将女性与较低的风险关联起来。
尽管英国政府表示致力于消除数据集中的偏见并增加医疗保健专业人员的培训，但高质量的数据集仍然是AI在医学影像筛查中的阿喀琉斯之踵。AI算法的“黑箱”性质使其在现实世界中的准确性取决于其“学习”数据集如何反映现实世界。
(全文结束)
