基于深度学习卷积神经网络（CNN）的人工智能（AI）方法可以识别针对召回但良性（假阳性）乳房X线照片的细微乳房摄影成像特征，并将这些乳房X线照片与被识别为恶性或阴性的乳房X线照片区分开来。结果发表在美国癌症研究协会期刊临床癌症研究中心。

“为了及早发现乳腺癌并帮助降低死亡率，乳房X光检查是一项重要的筛查检查; 然而，它目前的错误回忆率很高，“ 山东吴，博士，放射学，生物医学信息学，生物工程，临床和转化科学助理教授，以及放射科临床成像实验室智能计算主任在宾夕法尼亚州匹兹堡大学。

“这些错误的召回会给患者带来不适当的心理压力，并导致临床工作量和医疗费用大幅增加。因此，研究减少乳房X光检查中错误回忆的可能方法是一个需要研究的重要课题，“他补充说。

Wu及其同事研究了一种称为深度学习的人工智能技术是否可用于分析大量乳房X线照片以区分具有恶性诊断的妇女的图像，来自被召回并后来被确定为良性病变的妇女的图像（错误回忆），以及在筛选时确定无乳腺癌的女性图像。

“假设可能存在一些与一些乳房X线照片图像相关的微妙成像特征，当人类放射科医师解释图像时可能导致错误/不必要的回忆，我们的目标是利用基于CNN的深度学习方法来构建一个计算机工具包，以识别那些潜在的乳房X光检查图像，“吴说。

他补充说：“我们发现有一些成像特征可以回忆 - 良性图像，深度学习可以识别并潜在地帮助放射科医生做出更好的决定，以确定患者是否应该被召回，或者更可能是虚假召回。”

研究人员共使用了来自两个独立乳腺摄影数据集，全场数字乳腺摄影数据集（FFDM - 1,303名患者）和筛查乳腺摄影数字数据集（DDSM - 2,412名患者）的3,715名患者的14,860张图像。他们建立了CNN模型，并利用增强的模型训练方法来研究六种分类方案，这些方案有助于区分良性，恶性和召回良性乳房X线照片的图像。

当组合来自FFDM和DDSM的数据集时，用于区分良性，恶性和回忆良性图像的曲线下面积（AUC）范围为0.76至0.91。吴解释说，AUC越高，性能越好，最大值为1。“AUC是一个衡量真阳性与误报的比较的指标，因此它不仅表明准确性（正确识别了多少），还指出了多少被错误识别，”他说。

“基于我们的算法能够区分所有类别的乳房X线照相术图像的一致能力，我们的研究结果表明，确实存在一些不必要地回忆的图像所特有的区别特征/特征，”Wu指出。“我们的人工智能模型可以增强放射科医师阅读这些图像，并最终通过帮助减少不必要的召回来使患者受益。” 

作为该研究的局限性，Wu指出，额外的独立数据集可以帮助进一步评估算法的准确性和稳健性，并且利用替代的深度学习模型，体系结构和模型训练策略可以帮助提高性能。

这项研究得到了美国国立卫生研究院，北美放射学会研究奖学金，匹兹堡大学癌症研究所精确医学飞行员奖，匹兹堡大学医学院学术基金奖，以及泰坦捐赠的支持。 Nvidia公司的X Pascal GPU。吴宣布没有利益冲突。

（注：转载时请注明复诊网）