Google 将AI 运用在医疗产业上的案例不少，像是透过深度学习模型诊断诊断糖尿病患的视网膜病变、利用视网膜图来预测心血管疾病、用病理组织幻灯片来预测乳癌细胞的扩散情形。
过去的两年中，Google 一直与英国和美国的领先临床研究伙伴合作，从2017年宣布与伦敦帝国理工学院的英国癌症研究中心领导之健康研究机构合作的计画，透过机器学习技术用于乳腺X光检查，进而提升乳癌检测机率，在早期检测出癌症的迹象，协助医生提前发现癌症。
近日这项刊登于《自然》杂志，研究最新的发展成果显示与专家相比，DeepMind的AI模型在以去除可识别资料的乳房X 光照片中诊断出乳癌之准确性更高，假阳性与假阴性的情况都减少了，让未来AI协助放射科医生进行乳癌筛检奠定更深厚的基础。
数位乳腺摄影或照乳房X光是筛查乳癌的最常见方法，像是美国与英国每年进行这些检查超过4200万次。虽然这些检查方法已经非常普遍广泛的应用，要能即早发现和诊断乳癌仍然是一个挑战。
根据Google部落格文章，模型搜集来自英国的 76,000多名女性和美国的15,000多名女性去识别的乳房X线照片训练，判别是否在扫描中发现乳癌的迹象，在辨识时同样按照放射科医生遵循的原则。
团队训练AI 扫描X 光图后，再让模型辨识28,000 名女性乳房的X 光影像变化寻找乳癌的迹象，再根据妇女的实际医疗状况检查机器判别准确与否，最后能将美国女性的误判率降低9.4％。在英国的，检查将由两名放射科医生判定，该模型将假阴性减少了2.7％，将假阳性减少了1.2％，并将误判率降低5.7％。
值得注意的是，在做出诊断时，此模型所需要的资料少于人类医生。一般来说医生可以查看患者的病例和先前的乳房X线照片，而模型仅处理最新的去识别的乳房X 光照片，然而，这些X 光图像筛检准确度仍能超过医生。大多数情况下，人工智慧在判别乳癌的表现均优于医生，当然，在某些情况下，医生能注意到此模型在一开始会遗漏的线索。
尽管如此，这项AI研究涉及放射学已病理学领域，对Google AI来说俨然是一项大突破。从2017年，模型从淋巴结标本中准确检测出转移性乳癌，去年团队还开发一种 深度学习演算法帮助医生在病理切片中更快、更准确地发现乳癌，Google表示未来会持续让机器学习研究进化为有益于临床医生和患者的工具。
参考：
Gilbert, Fiona, et al. 2020. “International evaluation of an AI system for breast cancer screening.” Nature 577, 89–94 doi:10.1038/s41586-019-1799-6
本文来自INSIDE，经授权后发布，本文观点不代表沙鸥科报立场，转载请联系原作者。
