在不久的将来，放射科医生将能利用人工智能检测脑肿瘤

《生物学方法与协议》（Biology Methods and Protocols）发表的一篇题为《深度学习和迁移学习在脑肿瘤检测和分类中的应用》的论文指出，科学家可以训练人工智能 (AI) 模型来区分脑肿瘤和健康组织。AI 模型目前在 MRI 图像中检测脑肿瘤的能力几乎与人类放射科医生相当。

研究人员在人工智能医学应用方面取得了稳步进展。人工智能在放射学领域尤其具有前景，因为等待技术人员处理医学图像可能会延误患者的治疗。卷积神经网络是强大的工具，可以帮助研究人员在大量图像上训练人工智能模型进行识别和分类。

通过这种方式，网络可以“学习”区分图像。它们还具有“迁移学习”的能力。科学家可以将针对某项任务训练的模型重新用于新的相关项目。

尽管检测伪装的动物和对脑肿瘤进行分类涉及非常不同类型的图像，但研究人员认为，动物通过自然伪装进行隐藏与一组癌细胞与周围健康组织融合之间存在相似之处。

泛化的学习过程——将不同的物体归类到同一个标识符下——对于理解网络如何检测伪装物体至关重要。这种学习对于肿瘤检测尤其有用。

在这项对公开的 MRI 数据进行的回顾性研究中，研究人员研究了如何在脑癌数据上训练神经网络模型，引入了独特的迁移学习步骤来检测隐形动物，以提高网络的肿瘤检测技能。

研究人员利用来自公开的在线癌症数据源的 MRI 和健康大脑的控制图像（包括 Kaggle、NIH 癌症图像档案和波士顿 VA 医疗系统），训练网络区分健康和癌症 MRI，识别受癌症影响的区域，以及癌症的原型外观（癌症肿瘤类型）。

研究人员发现，这两个网络在识别正常脑图像方面几乎完美无缺，仅有一两个假阴性结果，并且能够区分癌变脑和健康脑。第一个网络在检测脑癌方面的平均准确率为 85.99%，而第二个网络的准确率为 83.85%。

该网络的一个关键特性是其决策可以通过多种方式进行解释，这增强了医疗专业人员和患者对模型的信任。深度模型通常不够透明，随着该领域的成熟，解释网络决策的能力变得至关重要。

得益于这项研究，该网络现在可以生成图像，显示肿瘤阳性或阴性分类中的特定区域。这将使放射科医生能够根据网络的结果检查他们的决策，从而增强他们的信心，就像附近有第二个“机器人”放射科医生指向MRI上指示肿瘤的区域一样。

研究人员认为，未来应重点关注创建深度网络模型，以直观的方式描述其决策，从而使人工智能能够在临床实践中发挥透明的支持作用。

尽管网络在所有情况下都难以区分脑肿瘤类型，但很明显，它们在数据在网络中的表示方式上存在内在差异。随着网络接受识别伪装的训练，准确度和清晰度得到了提高。迁移学习也提高了准确度。

尽管测试的最佳模型的准确率比标准人工检测低6%，但该研究成功证明了通过这种学习范式所取得的量化改进。研究人员相信，这种范式与可解释性方法的全面应用相结合，将有助于为未来的临床AI研究带来所需的透明度。

该论文的主要作者 Arash Yazdanbakhsh 表示：“人工智能的进步使得更准确地检测和识别模式成为可能。”

这反过来又改善了基于图像的诊断和筛查，但也需要更多关于人工智能如何执行任务的解释。推动人工智能的可解释性总体上改善了人机交互。这对于医疗专业人员和为医疗目的而设计的人工智能之间尤其重要。

“清晰且可解释的模型更适合辅助诊断、追踪疾病进展和监测治疗。”