新年伊始， Google Health就给我们带来了好消息，其最新人工智能模型在乳腺癌筛查又有了新突破！乳腺癌影响着全球女性，英国每年超过约55,000人被确诊患有该病，美国大约有1/8的女性会在一生中患上乳腺癌的可能。在英美这样的乳腺癌发病率高、医疗技术发达的国家，尽管数字化乳腺摄影技术得到广泛应用，可在发现并诊断疾病方面仍面临不小的挑战。
谷歌与DeepMind公司、英国癌症研究中心（Cancer Research UK）、美国西北大学（Northwestern University）以及英国皇家萨里郡医院（Royal Surrey County Hospital）展开紧密合作，旨在研究AI是否可以帮助放射科医生更准确地发现乳腺癌的迹象，从而找出能提高乳腺癌筛查技术的最佳方法。日前，研究团队在《自然》（Nature）杂志上发表其初步结果。
他们发现，AI模型能够以与专家相似的水平正确筛选出筛查图像中的乳腺癌迹象，从而减少了筛查假阴性（又称漏诊率）、假阳性（又称误诊率）的结果。
由于人类医生读片失误经常会导致乳腺癌患者得到假阴性或假阳性报告，这些因为读片造成的误诊不但会导致患者得不到及时有效的治疗，还会给其带来不必要的心理压力，并给放射科医生带来更多的工作量。使用人工智能技术，则有可能改善这些问题的发生。
该AI系统则由3个深度学习模型构成，每个模型都会用于不同层次的分析，分别用于分析以下3种情况：单个病变分析、单个乳房分析、以及整体病例分析。每个模型都会对乳腺x光图像的病理产生0到1 之间的癌症风险评分，整体AI系统的预测精度则是结合这3个模型预测的平均值而产生。
用于训练AI模型的数据集分别来自英国和美国，英国的数据集是从英国国家卫生服务乳腺筛查计划（NHSBSP）的三个乳腺筛查站点收集，总计包含了76,000多名女性的乳腺x光图像；美国的数据集则收集于2001-2018年间，芝加哥西北纪念医院约15,000多名患者的乳腺x光图像。
随后他们还采用一个单独的数据集，用于评估验证上述训练成果的可靠性，该单独数据集则由25,000多名患者图像（英国25,000张，美国3,000张）构成。评估验证下来，模型的预测结果漏诊误诊均有所降低，相比美国的临床实践数据，AI减少了5.7%的假阳性报告和9.4%的假阴性报告；相比英国的临床实践数据，AI则减少了1.2%的假阳性报告和2.7%的假阴性报告。这对于目前20％的乳腺癌漏检率来说已是一个“飞跃”。
▲ 乳腺癌预测表现：人工智能系统vs临床医生（图片来源：参考资料[1]）
此外，研究人员还验证了该AI模型是否可用于其他医疗系统。首先他们仅根据英国患者的数据集对AI进行训练，接着将美国患者的数据集作为模型的评估验证集，在这项单独的实验中，AI对乳腺癌预测的准确度不但比人类专家高，同时假阳性和假阴性的报告率分别降低了3.5%和8.1%，这也就意味着该AI系统具有应用到其他医疗环境的潜力。
最后，为了进一步验证该系统的可靠性，研究人员召集6位放射科医生，让他们与AI进行“读图PK”，通过解释500张来自美国患者的病例进行测试，AI的识别准确率更胜一筹。
同时，根据研究人员的说法，这一系统其本质是为了更好地辅助医生而不是取代医生，所以研究团队目前所取得的成果也足以证明，人类医生和AI医生在未来的医疗环境中是优势互补型的。AI降低漏检率，同样人类医生也可以指出AI未识别的疾病案例。
▲（a）6位专家均未识别，但AI成功识别的样本病例；（b）6位专家成功识别，但AI却遗漏的样本病例（图片来源：参考资料[1]）
另外值得注意的是，AI在可参考历史信息更少的情况下，依然能更准确识别乳腺癌。相较于人类医生在做决策时有患者的病史及历史数据可追溯，AI只处理识别它眼前这一张x光图像，没有历史信息可作参考，从这一点来说，AI做决策的过程“更独立”。
展望未来，研究初步成果喜人，该模型对于提高乳腺癌筛选程序的准确性和效率将有所帮助，同时还可以减少患者等待诊断结果时间和压力。不过，临床医学是复杂的，医生的决策并不是简单的二元决定（在癌症存在与否之间），还必须考虑其他体征和症状等。获取其他数据在技术角度也较为复杂，所以未来将可查询电子健康记录以识别和注释特定病例的系统与最新的AI结合使用，效果或许会更好。
我们也期待这项技术最终走向临床筛查！
