AI和神经网络可以减少乳腺癌患者病变分类的等待时间

癌症患者受苦的最痛苦的经历之一是在不知道的情况下等待：等待诊断，等待回答结果，等待学习治疗方案的结果。新论文出版在科学报告评估人工智能（AI）和神经网络的使用，以大大减少医疗专业人员对乳腺癌超声图像进行分类所需的时间。

准确的分类对于早期诊断和治疗是关键的，并且深入学习（DL）方法可以有效地代表和利用图像的数字内容，以进行更精确和快速的医学图像分析。

该论文的作者Keka Biswas博士是阿拉巴马大学系统的一部分UAH的生物科学讲师。她目前的重点是与数学生物学领域的生物学家，数学家和统计学家的合作方法检查人类癌细胞。

AI和医学成像的最新进展导致了深入学习技术的广泛使用，尤其是在图像处理和分类中。

Biswas解释说：“深度学习是机器学习的一个子领域，它采用基于神经网络的模型来模仿人类大脑在图像识别等领域中分析大量复杂数据的能力。”

“应用包括癌症亚型发现，文本分类，医学成像等等。使用AI，您实际上可以在手术期间使用这些进步来查看癌症的阶段，并且其成像是一个更快的周转时间。”

乳房超声成像可用于检测和区分良性肿块和恶性肿瘤，但是成像报告和数据系统特征对于从业人员和放射科医生而言很难，并且耗时。该研究调查了乳腺癌成像特征的关系以及对乳房病变的精确医学图像进行快速分类和分析的需求。

研究人员指出：“尽管在诊断，预后和治疗癌症患者方面取得了进展，但个性化和数据驱动的护理仍然是一个挑战。”“ AI已被用来预测和自动化许多癌症，并成为提高医疗保健准确性和患者预后的有前途的选择。”

AI肿瘤学应用程序包括风险评估，早期诊断，基于深度学习知识的患者预后，估计和治疗选择。BISWAS的研究研究了乳腺癌成像特征与静脉外组织的作用及其对完善深度学习分类性能的影响。

这些进步都是基于良性和恶性肿瘤的不同方式影响邻近组织的，例如生长和边界不规则的模式，相邻组织的穿透程度以及组织水平的变化。

比斯瓦斯说：“这是深度学习的来源，看着更深的组织和外部组织，这可以使我们能够与数据集一起使用。”

研究人员使用AI和预训练来获得“神经网络数据集”，这些数据集的收集用于训练神经网络，这是一种受人脑启发的机器学习算法。该培训采用标记的示例，网络从中学习以识别模式并对新数据进行预测。

首先在数据集上培训了一个模型，以学习广泛的功能和模式，然后用作“预训练”模型，可以在较小的特定任务数据集中进行更微调，以实现特定研究目标的更好性能。基本上利用从大型培训数据集中获得的知识来提高较小的专业数据集的培训效率。

2023年，比斯瓦斯（Biswas）偶然地参加了在南非的一次会议，在那里她遇到了罗马尼亚加拉蒂大学（University of Romania）的教授Luminita Moraru博士，他的职业生涯重点相似，同时使用不同的工具来应对挑战。

比斯瓦斯说：“我遇到了莫拉鲁博士，她来自她的大学化学系，她拥有模型和刺激实验室。”“但是她没有这种研究的生物学或解剖背景。”

通过合作，两位研究人员发现他们可以补充彼此的技能，以深入研究此类数据挑战。比斯瓦斯说：“然后，大约在同一时间，我的一个朋友被发现患有乳腺癌，她放弃了希望。”“这极大地影响了她。令人恐惧的是经过所有病理测试需要多长时间。”

那时，事件很快就为UAH教育者带来了更多个人转折。

研究人员说：“今年夏天[2024]，我实际上为自己经历了这一切。”“我参加了例行检查，告诉医生我的症状是什么，她说让我们进行活检。两天后，我接到电话，您需要进来，我知道有些问题。您患有癌症。，我的医生说。

“你知道它在哪个阶段？我问。她也无法告诉我一个阶段，即使已经做过病理检查。我有一个孩子，一个家庭。我需要知道它在哪个阶段，要做的疗程要花三到四个星期才是什么。

研究人员说：“这一切都是一个更长的过程。我的肿瘤学家非常沮丧。”“我有一个诊断，但是没有任何成像告诉我们它处于什么阶段。它是否已转移。我需要意识到我能多久康复。”