來自Microsoft的Good Lab和華盛頓大學的AI的研究人員推出了一種新的AI模型，該模型以前所未有的準確性檢測MRI掃描中的乳腺癌。該系統，在《放射學》雜誌上詳細介紹，在其頭上傾斜傳統方法。與Fred Hutchinson癌症中心的合作是這種方法，可改善檢測並產生熱圖來指導放射科醫生。
突破可以使高度敏感的MRI篩查更加有效，更易於訪問，從而解決了早期癌症診斷的關鍵挑戰。
“>
一種發現癌症的新方法
該系統的創新在於一種稱為“異常檢測”的方法，從根本上講，該方法從根本上扭轉了醫學診斷培訓的傳統邏輯。該模型沒有被餵養成千上萬個惡性腫瘤的例子來了解癌症的外觀，而是在正常的良性乳腺組織圖像上進行了訓練。微軟，華盛頓大學和弗雷德·哈欽森癌症中心之間的這種合作有效地教導了AI成為健康狀況的專家。
這種反直覺策略直接解決了醫療AI中的持續挑戰:數據失衡。在實際臨床環境中，數據集比癌性掃描中包含的非癌性掃描更多，這可能會偏向傳統模型的性能。
通過關注豐富的“正常”數據，研究人員創建了一個更強大，更有效的系統。正如西澳大學放射學教授薩凡納·帕特里奇（Savannah Partridge）所解釋的那樣，“這種方法稱為“異常檢測”，鑑於研究人員的圖像比顯示疾病的研究人員的圖像更多，因此我們能夠更有效地利用我們的數據。 href=“ https://pubs.rsna.org/doi/10.1148/radiol.241629″ target=“ _ blank”>在近9,500次MRI考試的大量數據集中進行了培訓在華盛頓大學收集了17年的17年期。通過分析這個廣泛的文庫，AI構建了健康組織特徵的詳細基線。 This method proved highly effective in retrospective studies, where the model outperformed traditional binary classification systems, particularly in low-prevalence scenarios that mirror actual population screening.
From Black Box to Explainable AI
A significant barrier to the adoption of AI in medicine has been the “black box”problem, where models deliver a diagnosis without revealing their reasoning.這個新系統直接面對通過優先解釋性來挑戰的。它的關鍵特徵是能夠生成視覺熱圖，該圖覆蓋MRI圖像，超越簡單的二進制“癌症”或“無癌症”輸出。這將AI從不透明的甲骨文轉變為臨床醫生的透明診斷夥伴。
熱圖突出顯示了AI已確定為異常的精確像素，從而為放射學家提供了一個清晰，直覺的指南，以在哪裡集中註意力。此像素級本地化可以幫助確定需要更快審查的案例，指導提供商訂購其他成像，或指示需要活檢的精確區域。正如Microsoft的AI Good Lab的高級研究分析師Felipe Oviedo指出:“我們的模型對乳房中的異常情況提供了可以理解的，像素級的解釋。”
這種透明度對於建立臨床信任和確保安全實施至關重要。 The model’s credibility is further bolstered by rigorous validation, where its heatmaps were found to be not significantly different from the manual annotations drawn by expert human radiologists.通過展示其工作，該模型提供了可驗證的結果，即使用它的醫療專業人員而不是神秘。
在臨床使用的道路上
，儘管研究人員在回顧性研究中表現出色，但該工具尚未準備好該工具，但該工具尚未準備就緒。需要進一步驗證以查看其在現實世界中對放射科醫生的表現。
目標是增強而不是取代人類專業知識。西澳大學乳房成像研究總監的薩凡納·帕特里奇（Savannah Partridge）希望該技術能夠擴展使用強大的篩選工具。她說:“我們希望能夠為當今的女性提供乳房MRI，因為這是一種非常敏感的乳房篩查工具。”
。帕特里奇（Partridge）簡潔地構成了挑戰:“您不是使用[AI]，或者不使用，而是您如何使用它?如何適當，安全地使用它?”為了幫助進一步的研究，模型的代碼已在github 。
Microsoft的更廣泛的“ AI for Science” ai ai for Science Microsoft的更廣泛的“ AI for Science”計劃，旨在建立科學發現的基礎模型。它遵循醫學AI的其他重要項目，通常與華盛頓大學合作。
去年，微軟引入了BiomedParse，該模型旨在統一醫療圖像分析任務。在此之前，它推出了Gigapath，這是一種強大的視覺變壓器，用於分析大規模數字病理幻燈片以幫助進行癌症研究。
這些工具表明，戰略重點是創建可以解析複雜生物學數據的專業AI。在平衡和不平衡（低價值）場景中，異常檢測模型（FCDD）優於常規二進制分類。
去年，微軟引入了BiomedParse，該模型旨在統一醫療圖像分析任務。在此之前，它推出了Gigapath，這是一種強大的視覺變壓器，用於分析大規模數字病理幻燈片以幫助進行癌症研究。
這些工具表明，戰略重點是創建可以解析複雜生物學數據的專業AI。在平衡和不平衡（低價值）場景中，異常檢測模型（FCDD）優於常規二進制分類。
