|
乳腺癌是全世界女性中最常見(jiàn)的癌癥，也是導(dǎo)致人類(lèi)死亡的第二大癌種。高發(fā)病率、高致死率的乳腺癌雖然可怕，但如果能夠做到及早發(fā)現(xiàn)、并按照最佳實(shí)踐進(jìn)行治療，則有望大大改善存活率。 此研究項(xiàng)目由清華大學(xué)知識(shí)工程研究室（KEG）、北京智源人工智能研究院（BAAI）研究團(tuán)隊(duì)與北京協(xié)和醫(yī)院專(zhuān)業(yè)醫(yī)生共同開(kāi)發(fā)，研究使用的數(shù)據(jù)集由北京協(xié)和醫(yī)院提供。目前，該AI篩查工具已經(jīng)上線。 學(xué)術(shù)君對(duì)該項(xiàng)目參與者、清華大學(xué)畢明杰（Alex）和張晨暉博士進(jìn)行了采訪，他們表示，SonoBreast 研究項(xiàng)目旨在開(kāi)發(fā)一種工具包，利用超聲波圖像進(jìn)行乳腺癌診斷篩查。借助 SonoBreast 惡性病變?cè)\斷系統(tǒng),，配合與之相適應(yīng)的硬件，力求實(shí)現(xiàn)在世界各地缺少熟練放射科醫(yī)生和超聲圖像檢查師的情況下進(jìn)行早期乳腺癌診斷。 另外，乳腺癌的治療方法會(huì)根據(jù)癌灶分子亞型的不同（Luminal A、Luminal B、HER-2陽(yáng)性和三陰性）而有著非常顯著的變化，因此，借助 SonoBreast 進(jìn)行乳腺癌分子亞型的分析，有望提高患者治療效果并減少有創(chuàng)活檢的次數(shù)。
乳腺癌具有高并發(fā)率和高死亡率的特點(diǎn)，嚴(yán)重威脅著全球女性的健康。 其中乳腺癌的早期診斷來(lái)自人們意識(shí)的提高和新型的篩查技術(shù)，而治療方案需要根據(jù)乳腺癌的分子分型確定。乳腺癌的分子分型分為 Luminal A 型，Lunimal B 型，HER-2 過(guò)表達(dá)型和三陰型四種。目前，乳腺癌的分子分型需要通過(guò)穿刺活檢來(lái)確定。但是，這種手術(shù)是侵入性的，具有一定風(fēng)險(xiǎn)，并且可能存在假陰性。 乳腺癌常見(jiàn)的影像學(xué)診斷方法有乳腺攝影、超聲、磁共振成像、核醫(yī)學(xué)技術(shù)等，其中，超聲檢查的應(yīng)用最為廣泛，尤其在亞洲國(guó)家地區(qū)。與其他篩查技術(shù)相比，超聲檢查具有非電離輻射、無(wú)創(chuàng)性、高敏感性、便攜性、可及性和成本等優(yōu)勢(shì)，當(dāng)然，超聲檢查由于噪聲和偽影的存在，其圖像質(zhì)量也往往較低。 近年來(lái)，人工智能在醫(yī)學(xué)影像識(shí)別方面取得了巨大的進(jìn)步。在健康領(lǐng)域，神經(jīng)網(wǎng)絡(luò)具有非凡的能力，深度學(xué)習(xí)算法能夠識(shí)別醫(yī)學(xué)圖像的特征并學(xué)習(xí)如何對(duì)它們進(jìn)行分類(lèi)。 可以確定的是，為醫(yī)生提供輔助診斷的計(jì)算機(jī)系統(tǒng)，將在醫(yī)學(xué)圖像識(shí)別領(lǐng)域扮演著重要的角色。這是因?yàn)?，重大疾病的篩檢，不僅是醫(yī)療護(hù)理的早期階段，甚至能夠?qū)崿F(xiàn)疾病的早期預(yù)防，而計(jì)算機(jī)輔助系統(tǒng)可以幫助醫(yī)生評(píng)估和發(fā)現(xiàn)異常的醫(yī)療圖像。 張晨暉博士在接受學(xué)術(shù)君采訪時(shí)表示，“乳腺癌分子分型對(duì)病人的臨床決策有重要意義。目前確定分子分型的方法只能通過(guò)穿刺活檢，該方法的缺點(diǎn)主要有：穿刺活檢具有創(chuàng)傷性；如果腫瘤的異質(zhì)性比較強(qiáng)，活檢樣本不具有代表性；與超聲檢查相比，穿刺活檢的成本相對(duì)較高?！?/span> “影像組學(xué)（Radiomics）是一種通過(guò)抽取大量醫(yī)學(xué)影像特征分析腫瘤基因分型的方法，具有安全無(wú)創(chuàng)的特點(diǎn)，并且可以解決腫瘤異質(zhì)性難以采集的問(wèn)題。影像組學(xué)通常使用傳統(tǒng)的圖像特征提取方法，我們提出利用深度學(xué)習(xí)技術(shù)自動(dòng)提取和乳腺癌分子分型相關(guān)的影像特征，提高使用影像組學(xué)方法識(shí)別分子分型的準(zhǔn)確率。” 在 SonoBreast 研究項(xiàng)目中，研究人員嘗試應(yīng)用機(jī)器學(xué)習(xí)技術(shù)對(duì)乳腺癌的超聲圖像進(jìn)行分型。具體而言，研究人員創(chuàng)建了一個(gè)分類(lèi)器模型，以一組乳腺癌變的超聲圖像為輸入，輸出給定圖像的乳腺癌分子亞型的概率分布。 “在合作過(guò)程中，朱教授的團(tuán)隊(duì)提供了 1000 多例乳腺癌病例，包括 7000 多張乳腺癌超聲影像，并對(duì)分子分型進(jìn)行了標(biāo)注。我們主要負(fù)責(zé)模型的設(shè)計(jì)和實(shí)現(xiàn)，并在朱教授團(tuán)隊(duì)提供的數(shù)據(jù)上訓(xùn)練和測(cè)試。我們和朱教授的團(tuán)隊(duì)共同分析實(shí)驗(yàn)結(jié)果，討論改進(jìn)方向。其中朱教授團(tuán)隊(duì)根據(jù)他們?cè)诔晥D像處理、乳腺癌超聲診斷等方面的領(lǐng)域知識(shí)和經(jīng)驗(yàn)，為我們提供了專(zhuān)業(yè)的建議。” 分子亞型：該工具可預(yù)測(cè)乳癌性病變的分子亞型。對(duì)于患者病變的一組給定的超聲圖像（至少一個(gè)圖像），將提供病變的預(yù)測(cè)分子亞型診斷以及置信度（每個(gè)亞型的概率）。  該項(xiàng)目提出了一個(gè)經(jīng)過(guò)監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練的，基于圖像塊的卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器。在訓(xùn)練過(guò)程中，模型采用期望最大化（Expectation Maximization, EM）方法選取用于訓(xùn)練的圖像塊。預(yù)測(cè)過(guò)程中，每個(gè)圖像塊的預(yù)測(cè)結(jié)果通過(guò)一個(gè)注意力網(wǎng)絡(luò)得到每個(gè)圖片的預(yù)測(cè)；每個(gè)病例的預(yù)測(cè)結(jié)果進(jìn)一步由病例中所有圖片的預(yù)測(cè)結(jié)果通過(guò)整流網(wǎng)絡(luò)得到。整流網(wǎng)絡(luò)可以得到無(wú)偏的輸出，并且能夠調(diào)整先驗(yàn)概率。 畢明杰對(duì)學(xué)術(shù)君表示：“下一步我們計(jì)劃將部分乳腺超聲圖像數(shù)據(jù)公開(kāi)，并可能以數(shù)據(jù)競(jìng)賽的形式讓更多人參與到 AI 輔助乳腺癌診斷的相關(guān)研究中。另外，我們正在嘗試收集更多的乳腺癌超聲影像，計(jì)劃采用自監(jiān)督學(xué)習(xí)的方法提高現(xiàn)有模型的準(zhǔn)確率。目前準(zhǔn)確率還不足以應(yīng)用于臨床實(shí)踐。我們會(huì)繼續(xù)提高識(shí)別精度，達(dá)到專(zhuān)家認(rèn)可的準(zhǔn)確率后再嘗試在醫(yī)院中臨床應(yīng)用。” 參考資料： www.sonobreast.ai     |
|
|
來(lái)自： 學(xué)術(shù)頭條 > 《待分類(lèi)》
