人工智能可能是医学诊断的新面孔。首次，一种称为深度学习的人工智能正在应用于新的超声成像设备，以辅助乳房检查并帮助患者避免不必要的活检。
三星Medison 超声系统的一项新功能使用深度学习算法，就乳腺异常是良性还是癌性提出建议。该“S-Detect for Breast”功能现已包含在公司 RS80A 超声系统 的升级产品中，据公关经理 Doug Kim 称，该产品已在欧洲、中东和韩国部分地区上市，并正在等待美国 FDA 批准。深度学习依赖大量数据来支持复杂的决策算法，已在从语音和图像识别软件到药物研究的各个领域提供帮助。
据三星Medison 执行副总裁 Wayne Spittle 在接受《大众科学》采访时称，开发人员使用大约 9,000 张先前匿名乳房检查的乳腺病变（指乳房中的肿块或异常）图像构建了该算法。放射科医生检查了每张图像，并记录了病变的各种特征，例如形状和方向。此外，图像中的所有病变都经过活检，以确定它们是否为恶性。
Spittle 说：“你需要对每个病变进行实际诊断，这样你才能确保学习过程正确。”
基于这些数据，开发人员构建了该算法，以关联哪些病变特征（例如形状）与癌症最相关。当使用超声设备时，该算法可以实时应用于乳腺病变的图像，并根据所有先前收集的数据就是否应进行活检提出建议。
Spittle 说：“它会查看病变的形状、密度、是液体还是固体、内部是否有图案——它会查看整套标准。“进行检查的放射科医生实际上会冻结他想要查看的图像，然后应用学习算法。”
然而，三星Medison 尚未发布其声称详细说明算法准确性的研究。当被问及准确性时，该公司指向了尚未发表、不可用的论文。
不过，其总体目标是帮助医疗专业人员在更短的时间内做出更准确的建议，帮助他们发现恶性病变，同时也让患者避免对最终被证明是良性的异常进行不必要的活检——这个过程通常非常安全，但可能很麻烦且昂贵。
传统乳房检查
根据约翰霍普金斯医学院乳腺影像学主任 Susan Harvey 的说法，一般来说，超声波被认为是乳房检查的第二道防线。通常，乳房 X 线摄影是第一个筛查工具。如果检测到异常，则可能使用超声波进行进一步评估。
芝加哥大学放射学系放射学助理教授兼乳腺影像学系主任 David Schacht 说，在典型的超声检查中，放射科医生或解读扫描的专业人员会手动检查病变的多个特征，以帮助判断其恶性的可能性。例如，充满液体的囊肿通常不需要活检，而实性肿块则更令人担忧。
在观察这些实性肿块时，某些特征可能会很突出。
Schacht 说：“这些特征包括肿块的形状。“当它是圆形或椭圆形时，更有可能是良性的。如果形状不规则，则更有可能是恶性的。”放射科医生还可能检查肿块边缘的外观或为它供血的血管，这也有助于表明癌症。
最终，专业人士会一起评估所有这些特征，以就是否应进行活检提出建议。
Schacht 补充说：“但由于多种原因，确实发生了许多实性肿块的良性活检。“要么肿块没有你想要看到的每一个良性特征，从而可以将其称为良性而不进行活检，要么患者因素，例如高风险状态或患者的担忧，都可能影响对实性肿块——即使是高度不可能癌变的肿块——是否进行活检的决定。”
根据美国的标准，Harvey 指出，“如果你活检的病变中有 25% 到 35% 是癌症，那么你就达到了足够的标准。”
因此，通常情况下，进行的活检比实际表明癌症的要多得多。当然，漏诊癌症的风险很大，而与活检相关的健康风险则很小，Harvey 指出。但还有不必要的活检成本需要考虑。
深度学习与医疗设备
对于 S-Detect for Breast，该算法并非实时学习，也就是说，它不会从它评估的每个新图像中收集数据并用于更新自身。而且，无论如何，在对任何给定图像进行活检并记录最终诊断（癌症或良性）之前，算法都无法“学习”。然而，开发人员可以选择稍后使用更多数据更新程序，并将更新后的算法应用于超声系统的新型号。
目前，尚未发表关于该算法准确性（与传统乳房检查相比）的同行评审研究，尽管 Kim 指出，一项涉及首尔三星医疗中心（韩国）合作者的论文正在进行中，很可能在年内发表。该公司还在探索将深度学习算法用于其他类型的超声检查，例如甲状腺成像。
与此同时，Schacht 指出，在没有使用这款特定设备的情况下，大数据在诊断中的应用“是一个重要概念”。
他说：“计算机和大数据的使用，以学习和更多地了解影像学上看到的乳腺病变，几十年来一直是乳腺影像学的重要组成部分，可以追溯到计算机辅助检测真正开始于乳腺 X 线摄影的时代。“我认为利用乳腺影像学中图像上的可用数据来推动该领域的发展有着悠久的历史。”
Dave Gershgorn 对本文有报道贡献。
