人工智能和机器学习领域已经做出了无数预测，改变了患者护理中的影像筛查和诊断，临床研究和经验正在证明这一点。放射科医生表示，这种效果对于提高癌症诊断和护理的质量、读者之间的一致性以及减少阅读时间和不必要的活检来说是真实的。乳腺超声成像的评估就是一个很好的例子。

近一年来，纽约皇后区的Main Street放射科一直使用机器学习软件来分析乳腺超声图像，用于筛查和诊断。来自Koios Medical的Koios DS乳腺特异性软件可以帮助放射科医生快速准确地评估病变特征和BI-RADS评估。硬件独立，软件兼容大多数PACS。

该部门副总裁赖宇博士解释说：“该软件的优势在于，它允许的病变不符合确切的形状，比如有一两个小叶的椭圆形，或者边缘有一个凸起。皇后区40名医生对主街放射科进行的乳房x光检查。“这让我们有信心谈论它是否真的令人担忧。”

放射科医师在监视器上查看图像，然后将图标拖到目标病灶上。该算法(已在数十万幅乳腺病变图像上训练)对病变特征和初步BI-RADS评估提出了建议。于说，这个工具“非常简单”，他还是康奈尔大学康奈尔医学院放射学临床助理教授。“如果你看看它，你就会知道如何使用它。找到好用的东西是一个好的AI程序的关键。”

临床研究证明，最大似然算法能够增强诊断能力。在103010上的一项研究表明，即将推出的Koios DS版本可以提高所有有乳腺癌诊断经验的各级放射科医生的准确率，这一点值得注意，因为研究表明，医生对同一病例的解释最多只能有所不同。在三种情况下，灵敏度从92%增加到97%到97%，特异性从38%增加到46%到45%到52%。良性活检率下降25%至55%，但敏感性未下降。

2017年《数字影像杂志》发表的一项类似研究发现，癌症的鉴别率为100%，良性活检减少了69%。

于和她的同事也做了仔细的观察，检查了100个病理病例。她说：“这令人震惊，但对我们来说很明显，作为放射科医生，机器智能可以帮助我们，因为我们意识到我们可以避免40次活检。”“它可以帮助我们做得更好。”

赶上更多的癌症。

对于乳腺放射科医生来说，变得更好意味着捕获更多真实的癌症，同时减少假阳性和不确定的诊断。后者可能会给患者带来压力和不必要的风险，因为接受“暂定”诊断通常意味着进行活检，返回(或停留)进行更多的影像检查，或者两者兼而有之。

至于整个医疗领域的AI，放射学自然是AI的早期采用者。医学图像非常适合应用国防部使用的相同ML技术来识别人脸。

抗击乳腺癌的前线是将ML直接应用于患者护理的理想场所。根据美国癌症协会的数据，乳腺癌是女性癌症死亡的第二大原因，仅次于肺癌。然而，由于公众意识的增强和筛查的早期发现，女性乳腺癌的死亡率从1989年到2015年下降了39%。

于说，她在主街放射科研究的病例中，大约有15%使用了ML。她说，这听起来可能很低，但“非常有影响力，因为在某些情况下，你会挠头”。对这种情况有第二种意见会有很大的不同。"

关于病人。

于还致力于改善患者体验，提升患者护理价值。事实上，文献已经开始证实这一点。

2018年12月，两位来自加州大学戴维斯分校的医生在《癌症研究》上发表了一份分析报告，并得出结论，人工智能技术可以帮助放射科医生证明其在人类接触领域的价值。

放射科医师Shadi Aminololama-Shakeri，医学博士，心脏病专家Javier E.Lpez，医学博士写道：“AI的希望是它可能帮助医生摆脱自动化可以更好完成的任务。”“人工智能可以将我们的诊断准确率提高到可以重新关注医患关系的水平。”

同意与否，完全取决于病人。她说：“直到你意识到建议减少活检和良性发现的短期随访，这样的检查结果可能并不明显。”“这些事情本身代表着实践中的重大改进。管理员必须意识到您的优势并不具体。然而，让放射科医生在这方面做得更准确、更好是值得的。”

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

标签:ML。

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：