卷积神经网络（CNNs）是图像分类的有效工具，其灵感来源于生物视觉系统和学习机制。它们还提供了迁移学习的优势，使一个网络在一项任务上训练后可以适应其他可能不相关的任务。牛津大学出版社的一项新研究显示，科学家可以训练人工智能来区分脑肿瘤和健康组织。
在这项探索神经网络模型的研究中，研究人员将检测伪装动物与识别脑肿瘤的任务进行了类比。这两项任务都涉及识别与周围环境相融合的模式——伪装动物隐藏在自然界中，癌细胞与健康组织混合在一起。解决这两个挑战的关键在于泛化过程，即网络学会将相似的对象归为同一类别。研究人员通过引入独特的迁移学习步骤，先训练网络检测动物伪装，再提高其在MRI数据中检测肿瘤的能力。
这项回顾性研究使用公共领域的MRI数据，调查结合这些任务如何增强神经网络的肿瘤检测能力。研究人员使用来自Kaggle、癌症影像档案馆和波士顿退伍军人事务医疗系统的公共在线存储库中的MRI数据，训练神经网络区分健康和癌变大脑，识别受影响区域，并分类癌症类型。这些网络表现出色，检测正常脑图像的准确性接近完美，仅有1-2个假阴性结果。其中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%。
本研究中神经网络的一个关键优势是其解释决策的能力，这增强了医务人员和患者的信任。与许多缺乏透明度的深度模型不同，该网络可以生成突出显示对其肿瘤阳性或阴性分类有贡献的区域的图像。这一功能使放射科医生可以与网络进行交叉验证，提供额外的信心，相当于一个“机器人放射科医生”。研究人员相信，未来的临床AI模型应优先考虑透明度，以便提供精确且直观的决策解释。
虽然这些网络在区分不同类型的脑癌方面存在困难，但它们展示了不同的内部表示。当研究人员结合迁移学习，特别是通过伪装检测训练时，准确性和清晰度得到了提高。研究中表现最好的模型比标准的人类检测准确率低约6%。然而，研究成功展示了通过训练范式实现的定量改进，尤其是在结合迁移学习的情况下。
该论文的主要作者Arash Yazdanbakhsh表示：“人工智能的进步使得更准确地检测和识别模式成为可能。这不仅有助于基于影像的诊断辅助和筛查，还需要更多地解释AI是如何完成任务的。”他强调，追求AI的可解释性可以增强人类与AI之间的沟通，这一点在医学专业人士与设计用于医学目的的AI之间尤为重要。清晰且可解释的模型更有助于诊断、追踪疾病进展和监测治疗。
(全文结束)
