在今天发表在《 JAMA Network Open》杂志上的一项研究中，研究人员证明，机器学习算法与放射线医师的评估结合使用可以帮助提高乳腺癌筛查的准确性。这项研究基于数字乳房X线摄影术(DM)DREAM挑战赛的结果，该挑战赛于2016年启动，旨在吸引广泛的国际科学界参与，以评估人工智能(AI)算法是否可以达到或超过放射线医师的解释准确性。

@JAMANetworkOpen中的一项新研究表明，#AI与放射科医生的评估结合使用可能有助于提高乳腺癌筛查的准确性。

Sage Bionetworks计算肿瘤学副总裁兼该公司主席Justin Guinney博士说：“这项DREAM挑战赛允许对两个独立的数据集中的数十种最新深度学习算法进行严格的评估。”梦想挑战。“鉴于AI研究在该领域的重要性和活动，这是一项非常需要的比较工作。”

由IBM Research，Sage Bionetworks，Kaiser Permanente Washington Health Research Institute和华盛顿大学医学院进行的数字乳腺X线摄影术DREAM Challenge确定，虽然没有哪一种算法能胜过放射线医师，但除了放射线医师的评估外，多种方法的组合也能帮助放射线医师提高筛查的整体准确性。这项研究使用了数十万个未识别的乳房X线照片和来自华盛顿凯撒永久医疗中心(KPWA)和瑞典卡罗林斯卡研究所(KI)的临床数据，而没有向参与者发布数据。

IBM的IBM转换系统生物学和纳米生物技术计划主任Gustavo Stolovitzky博士说：“我们的研究表明，人工智能和放射线学家解释的算法组合可以提供一种机制，从而可以显着减少仅在美国的不必要的诊断工作。” Thomas J. Watson研究中心，DREAM Challenges的创始人。

为了帮助保护数据隐私并防止参与者下载敏感的乳房X线照片数据，研究组织者应用了“模型到数据” 方法，该方法避免了将数据分发给参与者，并降低了敏感患者数据被释放的风险。邀请参与者将其算法提交给研究组织者，研究组织者开发了一种自动在数据上运行模型的系统。

“患者对使用医学图像的感觉始终是我们的首要考虑。新型的数据共享模型到数据方法特别具有创新性，对于保护隐私至关重要，因为它使参与者能够做出创新，而这些创新实际上可能会改善护理标准，而无需访问基础数据。”是华盛顿卫生研究所的Kaiser Permanente的作者，也是该论文的第一作者。“此外，包含来自两个不同国家的乳腺X线摄影筛查方法不同的数据，凸显了在不同人群中如何使用AI的重要翻译差异。”

乳腺钼靶筛查通常用于早期发现乳腺癌。尽管这种检测工具通常是有效的，但放射线检查人员必须使用人类的视觉感知能力来评估和解释乳房X线照片，以识别癌症的征兆。这导致假阳性结果，在美国接受例行年度乳腺癌筛查的4000万女性中，估计有10%

“根据我们的发现，在美国放射科医生的解释中增加AI可以潜在地防止美国每年成千上万的不必要的诊断检查。华盛顿大学医学院放射学教授Christoph Lee博士说：“但是，在广泛应用任何AI算法之前，必须进行可靠的临床验证。” 他是《挑战》的首席放射医师，也是该论文的第一作者。