功能|2022世界杯篮球预选赛赛程|作者:Barbara Smith

乳房成像的技术观察2022世界杯篮球预选赛赛程

人工智能和ML已经在加强放射科医生的工作流程，并显示出通过筛查性乳房x光检查提高了癌症检测的准确性

美国女性一生中有八分之一(约13%)的风险被诊断为乳腺癌。自1989年以来，乳腺癌的死亡率一直在下降，而这种下降被认为是治疗进步、通过筛查更早发现和认识提高的结果卫生界继续努力尽早发现病变，主要是通过筛查乳房x光检查，这是发现早期乳腺癌的最有效方法，并已证明可以降低乳腺癌特异性死亡率。

乳房x光检查成像技术已经从单一的乳化胶片，发展到二维数字格式，最后发展到多图像平台数字乳腺tomosynthesis(印度生物技术部)。在整个进化过程中，图像质量提高了，放射科医生能够更容易地识别癌症。

的介绍DBT在2011年的研究表明，它能降低召回率，同时增加已发现癌症的数量。²然而，DBT产生了更多的图像供放射科医生解读，并显著增加了读取时间。尽管用于解释的图像数量急剧增加，但擅长阅读乳房x光检查研究的放射科医生却很难阅读相同数量的研究。

最近,人工智能人工智能(AI)和机器学习(ML)已经到来，并在提高筛查性乳房x光检查程序的准确性和减少阅读次数方面显示出巨大的前景。人工智能驱动的计算机辅助诊断(CAD)、检测算法和乳房超声(US)的应用是这一重要且不断发展的领域中值得关注的技术。

计算机辅助检测与使用人工智能的计算机辅助诊断

早在1988年，放射科医生就率先使用计算机自动检测异常。传统的CAD算法是可以确定是否存在与疾病相关的成像特征的数学模型。
例如，传统的CAD算法可能能够在乳房x线照片上检测到钙化，但无法区分良性钙化和导管原位癌(DCIS)中看到的钙化，DCIS是一种非侵入性乳腺癌。这些早期的CAD系统被FDA批准用于二维图像，并为解释放射科医生提供了检测标记，用于每个筛查研究的四张图像。

DBT的引入为放射科医生提供了一个大得多的数据集来审查和评估乳腺癌。扫描DBT研究包括四张传统的乳房图像，也包括每个乳房的tomo“扫描”。获得的图像总数与每幅图像的乳腺厚度和切片厚度有关。虽然传统的CAD系统仍然可以用于传统图像，但它不能评估层析系列。

在过去的14个月里，美国食品和药物管理局(FDA)批准了一种针对DBT的CAD系统。从历史上看，CAD算法是手工制作的，基于对放射科医生的咨询，因此可能会偏向于人类的思维过程。如今，处理能力的提高使得人们能够开发出一种数据驱动的、有条理的机器学习过程，而不是基于规则的、针对具体问题的方法。不像传统的CAD算法人工智能方法具有探测有用的特征和关系的潜力，这些特征和关系对人类来说是无法察觉的，或者是目前未知的。^3.通过使用机器学习，这项技术有能力适应和发展，暴露在更多的数据点，这允许算法识别识别特征，最好的预测结果独立。此外，它还允许系统随着时间的推移变得更加准确，并适应治疗方案、疾病概况和患者特征的任何变化。

这种由人工智能驱动的CAD系统显著(高达50%)减少了放射科医生的阅读时间，提高了癌症检出率，同时降低了不必要的召回率。

人工智能检测算法

科技巨头们也利用能够自动检测乳腺癌的AI模型进入了该领域。在最近发表的一篇文章中，一项使用来自美国和英国(英国)的数据集的研究表明，人工智能模型仅使用所提供的像素数据(不涉及病史或风险因素)就能够更有效地筛查乳腺癌。

美国和英国每年进行的检查超过4200万次。尽管乳房x光检查被广泛采用，但对图像的解读仍然具有挑战性。传统的CAD系统，甚至早期的人工智能研究，几乎没有证据表明，在没有额外训练数据的情况下，人工智能系统有能力在不同的筛查人群和环境之间转换。然而，在这项研究中，提供了证明该系统能够从英国推广到美国数据集的证据，该算法在预测乳腺癌方面的能力超过了人类专家。潜在的临床应用因为这个平台可以用来减少在英国使用的复读过程中涉及的工作量，同时仍然保留——甚至增加——护理标准。⁴

乳房核磁共振成像

乳房MRI和乳房US是两种与传统筛查乳房x线摄影结合使用的方式，或者作为年轻女性患乳腺癌风险增加的初始筛查工具。因为这两种技术都没有利用电离辐射来产生图像，所以它们更适合孕妇或育龄妇女。研究，展示了先进算法在乳房MRI上的成功使用，研究人员向神经网络提供了MRI图像，这是一个基于计算机的算法集合，具有以模仿人类思维和学习过程的方式自主识别底层数据集中的模式和关系的能力。使用这种技术在美国，计算机能够分析和识别乳腺肿瘤的存在，考虑并从训练有素的放射科医生提供的反馈中学习，并在必要时重新分析，以确保算法的持续改进和准确性。⁵

乳房超声检查

几家公司已经投资于AI解决方案，这些解决方案可以识别解剖特征，自动注释病理，以减少标记错误，并进行更准确的测量。虽然在早期阶段，快速增长的人工智能领域已经显示出在乳房超声临床应用的潜力。的日本放射学杂志已经发表了一项研究，表明AI和ML能够比参与研究的人类放射科医生更好地识别乳腺良恶性肿块(减少50%的时间)。⁶

人工智能在放射科的兴起既让人欢欣鼓舞，也让人担心放射科医生的工作保障。成像判读的未来很可能不会被机器取代，而是会被这些技术增强，这些技术在减少图像判读时间和增加准确诊断方面显示出希望。

芭芭拉•史密斯是Paragon Consulting Partners有限责任公司．她在医学成像领域拥有超过25年的经验，对临床工作人员和护理提供者的需求有着无与伦比的理解，她负责监督放射学和女性成像服务线路。她对临床系统及其对日常工作流程的影响的知识使她成为宝贵的资产对临床系统进行选择、实施和优化。