<kbd id="267gcoga"></kbd><address id="jbaehblx"><style id="9od3ff6l"></style></address><button id="1h6dze8q"></button>

          Health [2]
          June 03, 2019
          By Edmund L. Andrews
          乳腺癌专家尝试检测肿瘤生长的早期迹象,同时最大限度地减少误报。新的计算机模型可以帮助他们走这条线。

          illustration of mammogram machine

          研究人员正在使用机器学习系统,以帮助确保妇女得到早期,准确的乳腺癌诊断。 | istock /Dániel Balogh [4]

          而乳腺癌筛查可以发现和治疗恶性肿瘤他们失控之前挽救生命,大约有一半的女性谁获得超过10年期间每年的乳房X线照片会得到至少一个假阳性的结果, according to [5] 美国癌症协会。这些假警报产生不必要的紧张和焦虑,它可以持续多久后的初始恐慌已经过去,加上成本进行后续检查和活检。

          Now a team led by Ross Shachter [6]

           Daniel L. Rubin [7]教授生物医学数据的科学,放射学和医学,曾用人工智能来开发,可能有一天帮助放射科医生更准确地诊断乳房X光检查系统。他们描述他们的做法 in a paper [8] 共同撰写的佳明增,目前博士生在申博体育管理科学与工程;旧金山吉梅内斯,在生物医学信息学博士校友;乳房X光检查和专家伊丽莎白。伯恩赛德在医学威斯康辛大学医学院。研究小组利用机器学习,人工智能技术,来分析由13名放射科医生在两所大学的医疗中心做乳房X光检查112000个放映。该数据包括每个乳房X光检查的详细观测,以及每个病人的风险因素的描述,以及对每个病人是否真的做了或没得癌症的后续信息。通过反复分析,计算系统逐渐创建的模型用于基于该上乳房X线照片观察到的特征表明恶性的概率的乳腺癌诊断。

          在乳腺癌筛查的挑战是,放射科医生是更加关心俯瞰癌症比约萎靡不振的东西无害。

          在医疗方面,我们的目标是避免假阴性,而不会产生太多的误报。 shachter说用于制备阳性发现最普遍接受的阈值是当放射科医师决定上的乳房X线照片肿瘤具有作为恶性2%概率。 shachter说,大多数专家放射科医师在两个医疗中心甚至比官方指导更加谨慎,一些做阳性发现当恶性肿瘤的概率低于1%。但也有一些专家不太谨慎,不会做出了积极的结论,除非概率为3%。

          shachter说,他们研究的总体目标是建立一个计算机模型,将大幅减少误报的数量,而不会明显增加癌症无缘的数量。研究人员开始了什么成为女性112000在他们的研究中的绝对知识。在1214分的情况下,或放映的1.1%,恶性肿瘤原来是本。谁分析这些场次的放射学专家发出174个假阴性,这意味着他们错过了出席时间癌症。然而,他们还被诊断超过12,000误报,或者是实际存在的癌症的超过10倍。机器学习模型,基于放射学专家观察到的特征及其过程,相比毫不逊色那些专家们的实际诊断。计算系统175个无缘恶性肿瘤 - 换句话说,它发出一个更假阴性比专家 - 同时提供3,612更少的误报。

          研究人员希望提出一个额外的问题:如果什么他们的模型中一贯采用的普遍接受的2%阈值,所有112000案件?他们发现,该计算系统将相继出台增加47个漏报 - 或218总 - 当了2,300减少误报的数量。

          shachter不相信人工智能有望取代人类放射科医生 - 工作需要太多的判断。但分析表明,它应该有可能建立一个计算系统,它可以帮助mammographers减少误报的数量不增加缺失乳腺癌的危险时,它实实在在地存在着。今后的工作将需要验证对患者这个系统,看其是否真正改善乳腺的做法,但shachter是乐观的。

          “我们的方法演示,以帮助所有放射科医师,即使是专家,有更好的表现的潜力,”他说。

          Print: 
          Print [9]
          Featured: 
          Featured

              <kbd id="e8271ow4"></kbd><address id="dic716jp"><style id="vwdknz1v"></style></address><button id="3jekkxwe"></button>