一篇题为《深度学习和迁移学习用于脑肿瘤检测和分类》（Deep Learning and Transfer Learning for Brain Tumor Detection and Classification）的论文发表在《生物学方法与协议》（Biology Methods and Protocols）上，显示科学家可以训练人工智能（AI）模型来区分脑肿瘤和健康组织。AI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AI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AI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。网络还具有“迁移学习”的能力。科学家可以将一个任务训练的模型重新用于新的相关项目。
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与癌细胞与周围健康组织融合之间存在相似之处。这种泛化过程——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，并引入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事务医疗系统），训练网络区分健康与癌症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到2个假阴性，并能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以多种方式解释，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，网络可以生成显示特定区域的图像，这些区域在其肿瘤阳性或阴性分类中起关键作用。这将使放射科医生能够交叉验证自己的决策与网络的决策，增加信心，几乎就像第二个机器人放射科医生，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，这样人工智能可以在临床环境中扮演透明的支持角色。虽然网络在所有情况下都难以区分不同类型的脑癌，但很明显，它们在网络中有不同的内部表示。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。迁移学习导致网络准确率的提高。
尽管最佳的提议模型比标准的人类检测准确率低约6%，但这项研究成功地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AI研究所需的透明度。
“人工智能的进步使得模式检测和识别更加准确，”论文的主要作者阿拉什·亚兹达巴赫什（Arash Yazdanbakhsh）说，“这进而有助于基于影像的诊断辅助和筛查，但也需要更多地解释AI如何完成任务。追求AI的可解释性增强了人类与AI之间的沟通。这在医疗专业人员与医疗用途设计的AI之间尤为重要。”
“清晰且可解释的模型更适合协助诊断、追踪疾病进展和监测治疗。”
(全文结束)
