由Elmore領導的2015年的一項研究發(fā)現，病理學家對乳腺活檢的解釋常常存在分歧。
“乳腺活檢的醫(yī)學圖像包含大量復雜的數據，解釋它們可能是非常主觀的，”Elmore說。區(qū)分乳腺非典型性與導管原位癌在臨床上是很重要的，但對病理學家來說是很有挑戰(zhàn)性的。有時，醫(yī)生在一年后診斷同一個病例時，甚至不同意他們先前的診斷。
而這種人工智能新系統可以幫助解釋用于診斷乳腺癌的醫(yī)學圖像，它與經驗豐富的病理學家做得幾乎一樣準確甚至更好。
研究小組將240張乳腺活檢圖像輸入電腦，訓練它識別與多種乳腺病變相關的模式，從良性(非癌變)、非典型性到導管原位癌，再到浸潤性乳腺癌。
為了測試該系統，研究人員將其讀數與由87名美國執(zhí)業(yè)病理學家進行的獨立診斷進行了比較。
雖然人工智能項目在區(qū)分癌癥和非癌癥病例方面接近于人類醫(yī)生的表現，但人工智能程序在區(qū)分DCIS和非典型性方面的表現優(yōu)于醫(yī)生，后者被認為是乳腺癌診斷中的最大挑戰(zhàn)。
“這個結果非常令人鼓舞，”Elmore說。美國執(zhí)業(yè)病理學家在診斷非典型性和導管原位癌方面的準確率很低，基于計算機的自動化方法顯示出了很大的前景。
