三位女科学家联手,用AI算法将乳腺癌的筛查速度提高了100倍

简介:

最近美国癌症协会一份报告预计,美国今年约有40000名女性死于乳腺癌。造成该结果的原因之一,是诊断癌症肿瘤所需的时间太长——对此,研究人员们一直强调改进癌症的检测和预防,如果疾病在治愈率较高的早期阶段就被发现,往往能挽救更多生命。

现在,一个由麻省理工学院计算机科学与人工智能实验室(MIT’s Computer Science and Artificial Intelligence Laboratory,CSAIL)、马萨诸塞州总医院(Massachusetts General Hospital)和哈佛医学院(Harvard Medical School)科学家们组成的团队认为,AI技术可以解决这个难题。

三位女科学家联手,用AI算法将乳腺癌的分析速度提高了100倍

从左至右:马萨诸塞州总医院乳腺成像研究项目主任Manisha Bahl,麻省理工学院教授Regina Barzilay,哈佛医学院教授及马萨诸塞州总医院放射科的乳腺成像科主任Constance Lehman

用AI排查乳腺癌,可以避免手术“一刀切”

目前,乳腺X射线检查(Mammograms)是乳腺癌的最佳诊断工具——从X光片上看到可疑的病变组织之后,需要对患者进行针刺活检以检测是否患癌。

然而,这一工具总会存在风险,譬如误诊。当尝试提高可以识别的癌症数量时,“假阳性”的结果也会增加,导致患者进行不必要的活检和手术。

也就是说,“假阳性”的一个常见原因是所谓的“高风险”病变,当通过针刺活检进行测试时,这些病变在乳腺X射线照片上看起来很可疑,并且具有异常细胞。这种情况下,医生通常采取不同的措施:有些医生对所有的”高危病变“都进行手术去除,有些则对“较高癌症发生率的病变”进行手术,例如“非典型乳管增生”(ADH)或“小叶原位癌”(LCIS)。

第一种方法要求患者经历痛苦、耗时且昂贵的手术,甚至有些手术毫无必要;第二种方法也存在不精确的情况,可能导致ADH和LCIS以外的“高风险病变”成为漏网之“癌”。

三位女科学家联手,用AI算法将乳腺癌的分析速度提高了100倍

图:乳腺X射线检查仪

那么如何避免不必要的手术,同时仍然保持乳腺X射线检查的重要作用?

开篇所提到的三位女科学家团队,联手开发了一套机器学习模型,被称为“随机森林分类器(random-forest classifier)”的方法,并让它接受了600个高风险病灶的分析训练。

在综合了家族遗传史、人口统计、以及过往的组织活检和病理报告等信息之后,该模型对 335 个病灶(最终升级为癌症的病患)进行了测试,结果准确诊断了97%的乳腺癌是恶性肿瘤,而传统方法仅为79%。

这项研究的结论是:在将该机器学习模型引入常规诊断实践后,超过30%的良性病灶切除术是可以避免的。

同时。该技术的工作速度比乳腺X射线检查快30倍——据估计,医生需要50-70个小时来分析50名乳腺癌患者,而该技术只需要约30分钟,相当于提高了100倍。

三位女科学家联手,用AI算法将乳腺癌的分析速度提高了100倍

图:数字化乳腺X射线检查

这一系统或许能替代传统的乳腺X射线片子,帮助女性做出明智的决定,采取最好的治疗方法。

Regina Barzilay是麻省理工学院电子工程与计算机科学教授,同时也是一名乳腺癌幸存者,她认:“当数据有这么多的不确定性时,机器学习就是我们需要的、用于改进检测和防止过度治疗的工具,这是一个趋势。”

哈佛医学院教授及马萨诸塞州总医院放射科的乳腺成像科主任Constance Lehman是这个项目的参与者之一。她强调,“据我们所知,这是第一个将机器学习应用于区分需要进行手术的高风险病变和不需要进行手术的高风险病变的研究。”

Lehman介绍,过去,医生可能会建议所有高风险的病变都要进行手术切除。但现在,如果该模型确定病变对特定患者来说的癌变机率很低,我们可以与病人就她的选择采取更有针对性的医疗方法。

她还透露,马萨诸塞州总医院放射科的医生将从明年开始将该模型纳入其临床实践。

马萨诸塞州总医院乳腺成像研究项目主任Manisha Bahl也支持这种看法,她表示,她们的目标是在临床环境中应用该工具。未来,他们希望将乳腺X射线照片、病理幻灯片图像( images of the pathology slides)、以及医疗记录中更广泛的患者信息结合,从而将该模型发展成为适用于其他类型的癌症甚至完全是其他类型的疾病。

Debashish Ghosh则认为,尽管人工智能技术很强,但是更适合美国而不是英国,因为统计显示在英国只有不到5%的患者接受了乳腺癌手术,而在美国这一比例是30%,说明英国患者本就有自己的选择。

有关这项研究的详情,已经发表在近日出版的《放射学》(Radiology)期刊上。


原文发布时间为: 2017年10月23日

本文作者:周雅

本文来自云栖社区合作伙伴至顶网,了解相关信息可以关注至顶网。

相关文章
阿里云 AI 搜索开放平台:从算法到业务——AI 搜索驱动企业智能化升级
本文介绍了阿里云 AI 搜索开放平台的技术的特点及其在各行业的应用。
398 3
这个AI把arXiv变成代码工厂,快速复现顶会算法!Paper2Code:AI论文自动转代码神器,多智能体框架颠覆科研复现
Paper2Code是由韩国科学技术院与DeepAuto.ai联合开发的多智能体框架,通过规划、分析和代码生成三阶段流程,将机器学习论文自动转化为可执行代码仓库,显著提升科研复现效率。
345 19
这个AI把arXiv变成代码工厂,快速复现顶会算法!Paper2Code:AI论文自动转代码神器,多智能体框架颠覆科研复现
DeepSeek加持的通义灵码2.0 AI程序员实战案例:助力嵌入式开发中的算法生成革新
本文介绍了通义灵码2.0 AI程序员在嵌入式开发中的实战应用。通过安装VS Code插件并登录阿里云账号,用户可切换至DeepSeek V3模型,利用其强大的代码生成能力。实战案例中,AI程序员根据自然语言描述快速生成了C语言的base64编解码算法,包括源代码、头文件、测试代码和CMake编译脚本。即使在编译错误和需求迭代的情况下,AI程序员也能迅速分析问题并修复代码,最终成功实现功能。作者认为,通义灵码2.0显著提升了开发效率,打破了编程语言限制,是AI编程从辅助工具向工程级协同开发转变的重要标志,值得开发者广泛使用。
8332 71
DeepSeek加持的通义灵码2.0 AI程序员实战案例:助力嵌入式开发中的算法生成革新
AI是如何收集体育数据的?从摄像头到算法,揭秘赛场背后的“数字间谍网“!
⚽ 你是否好奇:AI如何知道哈兰德每秒跑多快?教练的平板为何比裁判还清楚谁偷懒?本文揭秘AI收集体育数据的“黑科技”:视觉追踪、传感器网络、数据清洗与高阶分析。从高速摄像机捕捉梅西肌肉抖动,到GPS背心记录姆巴佩冲刺速度;从表情识别判断装伤,到量子计算模拟战术可能,AI正让体育更透明、精准。未来已来,2030年世界杯或将实现AI替代球探、裁判甚至教练!你认为AI数据收集算侵犯隐私吗?最想统计哪些奇葩指标?留言互动吧!
算法为舟 思想为楫:AI时代,创作何为?
本文探讨了AI时代创作领域的变革与挑战,分析了人类创作者的独特价值,并展望了未来创作的新图景。随着生成式AI技术的发展,创作的传统认知被颠覆,评价体系面临革新。然而,人类创作者凭借批判性思维、情感智能、创意直觉和伦理自觉,依然具有不可替代的价值。文章呼吁创作者转变思维,从竞争走向合作,提升复合能力,关注作品的社会影响,并持续学习进化。在AI助力下,创作将更加民主化、多样化,推动文明进步。最终,人机协同或将成为未来创作的核心模式,共同开创文化发展的新纪元。
AI训练师入行指南(三):机器学习算法和模型架构选择
从淘金到雕琢,将原始数据炼成智能珠宝!本文带您走进数字珠宝工坊,用算法工具打磨数据金砂。从基础的经典算法到精密的深度学习模型,结合电商、医疗、金融等场景实战,手把手教您选择合适工具,打造价值连城的智能应用。掌握AutoML改装套件与模型蒸馏术,让复杂问题迎刃而解。握紧算法刻刀,为数字世界雕刻文明!
142 6
如何在Python下实现摄像头|屏幕|AI视觉算法数据的RTMP直播推送
本文详细讲解了在Python环境下使用大牛直播SDK实现RTMP推流的过程。从技术背景到代码实现,涵盖Python生态优势、AI视觉算法应用、RTMP稳定性及跨平台支持等内容。通过丰富功能如音频编码、视频编码、实时预览等,结合实际代码示例,为开发者提供完整指南。同时探讨C接口转换Python时的注意事项,包括数据类型映射、内存管理、回调函数等关键点。最终总结Python在RTMP推流与AI视觉算法结合中的重要性与前景,为行业应用带来便利与革新。
192 5
Python下的毫秒级延迟RTSP|RTMP播放器技术探究和AI视觉算法对接
本文深入解析了基于Python实现的RTSP/RTMP播放器,探讨其代码结构、实现原理及优化策略。播放器通过大牛直播SDK提供的接口,支持低延迟播放,适用于实时监控、视频会议和智能分析等场景。文章详细介绍了播放控制、硬件解码、录像与截图功能,并分析了回调机制和UI设计。此外,还讨论了性能优化方法(如硬件加速、异步处理)和功能扩展(如音量调节、多格式支持)。针对AI视觉算法对接,文章提供了YUV/RGB数据处理示例,便于开发者在Python环境下进行算法集成。最终,播放器凭借低延迟、高兼容性和灵活扩展性,为实时交互场景提供了高效解决方案。
245 4
|
4月前
|
MIT 76页深度报告:AI加速创新马太效应,科学家产出分化加剧!缺乏判断力将被淘汰
近日,麻省理工学院(MIT)发布了一份76页的深度研究报告,探讨AI对科学发现和创新的影响。研究对象为1018名美国科学家,结果显示AI使新材料发现增加44%,专利申请增长39%,产品创新提升17%。然而,AI对高能力科学家的产出提升更显著,加剧了科学家间的分化。AI还改变了科学家的工作内容,减少了创意构思时间,增加了评估任务,导致工作满意度下降,但科学家对AI的信心增强。报告全面分析了AI带来的机遇与挑战。论文地址:https://conference.nber.org/conf_papers/f210475.pdf
151 14
算法系统协同优化,vivo与港中文推出BlueLM-V-3B,手机秒变多模态AI专家
BlueLM-V-3B是由vivo与香港中文大学共同研发的多模态大型语言模型,专为移动设备优化。它通过算法和系统协同优化,实现了高效部署和快速生成速度(24.4 token/s),并在OpenCompass基准测试中取得优异成绩(66.1分)。模型小巧,语言部分含27亿参数,视觉编码器含4000万参数,适合移动设备使用。尽管如此,低端设备可能仍面临资源压力,实际应用效果需进一步验证。论文链接:https://arxiv.org/abs/2411.10640。
153 9

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等

登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问