深度学习如何成为癌症检测的下一步

人工智能或许是医疗诊断的新面孔。人工智能的一种形式——深度学习——首次被应用于新型超声成像设备，以辅助乳房检查并帮助患者避免不必要的活检。

三星麦迪逊超声系统的一项新功能利用深度学习算法来判断乳房异常是良性还是癌性。据公关经理 Doug Kim 介绍，“S-Detect for Breast”功能现已包含在该公司 RS80A 超声系统的升级版中，目前已在欧洲、中东和韩国部分地区上市，并正在等待美国 FDA 的批准。深度学习依靠大量数据来为复杂的决策算法提供信息，已在从语音和图像识别软件到药物研究等各个领域提供帮助。

开发人员利用之前匿名乳房检查中大约 9,000 张乳腺病变（乳腺肿块或异常）图像构建了该算法。三星 Medison 执行副总裁 Wayne Spittle 在接受《大众科学》采访时表示，放射科医生会阅读每张图像，记录病变的形状和方向等各种特征。此外，还会对图像中的所有病变进行活检，以确定它们是否真的是恶性的。

Spittle 说：“你需要对每个病变进行实际诊断，这样才能真正确保学习过程正确进行。”

基于这些数据，开发人员创建了算法来关联哪些病变特征（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图像，并可以根据之前收集的所有数据就是否应进行活检提出建议。

“它会检查病变的形状、密度、是液体还是固体、是否有图案——它有一套完整的检查标准，”Spittle 说。“做检查的放射科医生实际上会先锁定他想要查看的图像，然后应用学习算法。”

然而，三星麦迪逊尚未发布其研究成果，该公司声称该研究详细说明了算法的准确性。当被问及准确性时，该公司指出了尚未发表、无法获得的论文。

不过，其总体思路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，同时也让患者避免不必要的良性异常活检——这种程序通常非常安全，但可能不方便且昂贵。

传统乳房检查

约翰霍普金斯医学院乳腺成像主任苏珊·哈维表示，一般来说，超声波被认为是乳房检查的第二道防线。一般来说，乳房 X 光检查是第一个使用的筛查工具。如果发现异常，则可以使用超声波进行进一步评估。

芝加哥大学放射科助理教授兼乳腺成像科主任戴维·沙赫特 (David Schacht) 表示，在典型的超声检查中，阅读扫描结果的放射科医生或专业人员将手动检查病变的一系列特征，这些特征可用于判断其恶性可能性。例如，充满液体的囊肿通常不需要活检，而固体肿块则更令人担忧。

当观察这些固体物质时，某些特征可能会脱颖而出。

“这些特征包括肿块的形状，”Schacht 说道。“如果肿块呈圆形或椭圆形，则更有可能是良性肿瘤。如果肿块形状不规则，则更有可能是恶性肿瘤。”放射科医生还可能检查肿块边缘的外观或流入肿块的血管，这也有助于诊断癌症。

最终，专业人员会综合评估所有这些特征，以提出是否应该进行活检的建议。

“但肯定有很多良性实体肿块活检是出于多种原因，”Schacht 补充道。“要么肿块不具备你想看到的所有良性特征，所以只能称之为良性而不能进行活检，要么患者因素（例如高风险状态或患者担忧）都可能影响是否对实体肿块（即使不太可能是癌症）进行活检的决定。”

哈维指出，按照美国的标准，“如果你活检的病变中有25%到35%是癌症，那么你的表现就算达到了足够的标准。”

因此，通常情况下，进行的活检次数远多于实际表明的癌症数量。当然，漏掉癌症的风险很大，而活检带来的健康风险却很小，哈维指出。但也要考虑不必要的活检成本。

深度学习和医疗设备

说到 S-Detect for Breast，算法并非实时学习——也就是说，它不会从评估的每个新图像中收集数据并用它来更新自身。而且，无论如何，算法在对任何给定图像进行活检并记录最终诊断（癌性或良性）之前都无法“学习”。但是，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波系统的较新型号。

目前，尚未发表关于该算法准确性（与传统乳房检查相比）的同行评议研究，不过 Kim 指出，一篇与韩国首尔三星医疗中心的合作者有关的论文正在筹备中，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，尽管没有使用过这种特殊的设备，沙赫特也指出，在诊断中使用大数据是“一个重要的概念”。

“几十年来，利用计算机和大数据来学习和了解影像中看到的乳腺病变一直是乳腺成像的重要组成部分，可以追溯到计算机辅助检测在乳房X光检查中真正开始的时代，”他说。“我认为利用乳腺成像中的图像数据来推动该领域发展的历史悠久。”

Dave Gershgorn 对本文有报道贡献。