在整个近三十年的职业生涯中，戴夫·波特在马里兰州劳雷尔的约翰斯·霍普金斯应用物理实验室（APL）工作，涉及从弹道导弹精度到情报监视，甚至地下水修复等多个领域。然而，在2011年12月，他的妻子帕特被诊断出患有乳腺癌，而且是一种非常具有侵袭性的乳腺癌。
“肿瘤非常小，也非常早期，很容易被漏诊，”波特说，他是APL的一名建模和估计工程师。就在那时，他的个人生活和职业世界发生了碰撞。波特和他的合作者团队此前已经开发并申请了一项名为上游数据融合（UDF）的技术专利。UDF利用人工智能（AI）结合多个数据源，最终提供比单一来源更准确的信息。
“UDF技术的第一层级是用于寻找对象，”波特解释说。“在战场上，它可能用于寻找地对空导弹。但在医学环境中，它适用于那些以异常组织或结节为特征的疾病。我们意识到这项技术可以用于检测肺部疾病或癌症。”
在妻子被诊断出乳腺癌后，波特带领团队将UDF技术应用于新的战斗。“我的妻子总是对我说，‘你总是在谈论如何在战场上找到坏人，为什么不在女性的乳房中找到一个恶性病变？’”波特回忆道。
改善乳腺癌检测
尽管预防性筛查已经降低了乳腺癌的死亡率，但现有的检测系统并不完美。当前的乳腺X光筛查费用高昂，需要大量的医疗基础设施。对于致密型乳腺组织的女性，通常建议进行超声检查，但这有时会产生假阳性结果，导致不必要的活检。磁共振成像（MRI）虽然也被用于乳腺癌检测，但由于其高成本和有限的可用性，被认为是一种高端的检测手段。
“所有这些系统以及使用这些系统的工作人员都是各自独立运作的，”波特说。“它们是不同的学科，彼此之间的互动非常有限。不幸的是，当这种情况发生时，信息就会丢失。”
此外，每种乳腺癌筛查方法都会产生多张图像、视图和角度。这引发了一个问题：放射科医生如何自动化他们的流程以提高准确性和效率？
“当放射科医生坐在工作站前，看到来自乳腺筛查的多张视图和图像时，他们必须进行心理上的跳跃，以确定病变在另一张相同乳房的图像中的位置，”波特说。“我们的融合技术可以通过寻找位置相似且特征相似的异常组织来帮助解决这个问题。”
关键突破
意识到在乳腺癌检测前线存在一个空白，波特与APL的高级图像处理工程师威廉·沃尔顿、数学家迈克尔·威廉姆斯、约翰斯·霍普金斯医学院的放射科医生丽莎·穆伦博士、前约翰斯·霍普金斯医学院的放射科医生苏珊·哈维博士以及独立顾问基思·佩顿合作，研究如何将数据融合和机器学习应用于优化乳腺癌检测工作。
沃尔顿在过去27年中大部分时间都在编写计算机算法，以在卫星图像中寻找对象。他为UDF提供了缺失的一环：他专利的卷积神经网络图像配准技术，这也是他在马里兰大学巴尔的摩县分校最近获得博士学位的论文主题。
图像配准提供了将同一对象的多个视图映射到一起的能力。当图像配准与UDF技术结合时，团队可以更快、更准确地在相应的视图中注册潜在的乳腺病变位置。波特将这两种技术的结合描述为“神奇”。
“在军事环境和医生办公室中，专家们都会花时间来回查看同一对象的不同视图，”沃尔顿说。“我们的研究表明，如果我们结合多个视图并精确定位潜在病变，我们可以提高检测性能。”
今年，APL的技术转移部门与一家位于亚利桑那州的基金会“治愈女性癌症”签署了商业选择权协议，以进行一项商业可行性研究，旨在将APL专利的数据融合和图像配准技术纳入一种低成本、便携式的人工智能辅助超声筛查解决方案，用于乳腺癌检测。该方案的目的是降低成本、改善结果，并扩大乳腺癌筛查在美国欠发达地区及全球的覆盖面。
“一位经验丰富的放射科医生曾告诉我，她每天要解读90至100名女性的影像，”沃尔顿说。“临床医生知道他们向患者传达的信息非常重要，他们希望准确无误。这就是我们的技术所做的——帮助他们更快、更准确地做出诊断。”
APL的研究人员表示，他们希望继续这项研究，并最终将其技术提交给美国食品药品监督管理局（FDA）审批。
产生影响
对波特和沃尔顿来说，将通常用于卫星和军事环境的技术应用于乳腺癌检测前线，以更好地装备医生，这既令人满足又充满活力。据波特说，他的妻子感谢2011年乳腺筛查的放射科医生救了她的命。经过广泛的治疗，她已经十多年没有再出现癌症。
“这是我职业生涯中最棒的事情之一，而我已经参与了一些非常了不起的工作，”波特说。
工作仍在继续，目标是拯救未来患者的生命。
“我们希望有所作为，”波特说。
(全文结束)
