摘要

最新研究表明，基于MRI数据训练的AI模型能够以高准确率区分脑肿瘤与健康组织，其性能接近人类水平。通过使用卷积神经网络（CNN）和从伪装检测等任务中迁移学习，研究人员提升了AI识别肿瘤的能力。该研究特别强调AI的可解释性，使其能够突出显示其识别的癌症区域，从而增强放射科医生和患者的信任。尽管AI的准确率略低于人类检测，但这种方法展示了AI在临床放射学中作为透明工具的潜力。

关键事实

• AI准确率：在MRI扫描中检测脑癌的准确率达到85.99%。

• 迁移学习的应用：从伪装检测中迁移学习提升了模型性能。

• 可解释性：AI能够展示其识别潜在肿瘤的过程，增强透明度。

研究背景

由牛津大学出版社发表在《生物学方法与协议》（Biology Methods and Protocols）上的一项新研究显示，科学家可以通过训练人工智能模型来区分脑肿瘤与健康组织。AI模型已经能够在MRI图像中几乎像人类放射科医生一样发现脑肿瘤。

近年来，人工智能在医学领域的应用取得了持续进展，尤其在放射学中表现出巨大潜力。由于等待技术人员处理医学图像可能会延迟患者治疗，AI的应用有望显著提升诊断效率。

研究方法

卷积神经网络（CNN）是一种强大的工具，能够通过大规模图像数据集训练AI模型以识别和分类图像。这种网络具备“迁移学习”的能力，即科学家可以将一个任务上训练的模型重新用于新的相关项目。

尽管检测伪装动物和分类脑肿瘤涉及截然不同的图像类型，但研究人员认为，动物通过自然伪装隐藏与癌细胞在健康组织中“隐藏”之间存在某种相似性。这种泛化学习过程——将不同事物归类为同一对象——对于理解网络如何检测伪装对象至关重要，这种训练可能特别有助于检测肿瘤。

在这项基于公共领域MRI数据的回顾性研究中，研究人员探讨了如何在脑癌成像数据上训练神经网络模型，并引入独特的伪装动物检测迁移学习步骤，以提升网络的肿瘤检测能力。

数据与训练

研究人员使用了来自Kaggle、美国国立癌症研究所的癌症影像档案（Cancer Imaging Archive）以及VA波士顿医疗系统等公共在线存储库的MRI数据，包括癌症和健康对照大脑的图像。他们训练网络区分健康与癌症MRI、受癌症影响的区域以及癌症外观原型（即癌症的类型）。

研究结果

研究发现，网络在检测正常大脑图像方面几乎完美，仅出现1-2个假阴性结果，并且能够准确区分癌症与健康大脑。第一个网络在检测脑癌方面的平均准确率为85.99%，另一个网络的准确率为83.85%。

网络的一个关键特征是其决策的多种可解释方式，这增强了医疗专业人员和患者对模型的信任。深度学习模型通常缺乏透明度，随着该领域的发展，解释网络如何做出决策的能力变得尤为重要。通过这项研究，网络可以生成图像，显示其在肿瘤阳性或阴性分类中的特定区域。

这使得放射科医生能够将他们的决策与网络的决策进行交叉验证，并增加信心，几乎就像第二个机器人放射科医生一样，可以展示MRI中指示肿瘤的关键区域。

未来展望

研究人员认为，未来的重点应放在创建决策可直观描述的深度网络模型上，以便人工智能能够在临床环境中发挥透明的辅助作用。尽管网络在所有情况下区分脑癌类型的难度较大，但很明显它们在网络中具有独特的内部表示。

随着研究人员在伪装检测方面对网络进行训练，其准确性和清晰度得到了提升。迁移学习使网络的准确性进一步提高。

尽管表现最佳的模型比标准人类检测的准确性低约6%，但这项研究成功展示了这种训练范式带来的定量改进。研究人员认为，这种范式与可解释性方法的综合应用，促进了未来临床AI研究中必要的透明度。

专家观点

论文的主要作者Arash Yazdanbakhsh表示：“AI的进步使得更准确的模式检测和识别成为可能，从而为基于影像的诊断辅助和筛查提供了更好的支持。但同时，这也需要更多关于AI如何完成任务的解释。追求AI的可解释性增强了人类与AI之间的沟通，尤其是在医疗专业人员与为医疗目的设计的AI之间。清晰且可解释的模型更有利于辅助诊断、跟踪疾病进展和监测治疗。”

关于这项研究

• 作者：Daniel Luzer

• 来源：牛津大学出版社美国分部

• 联系人：Daniel Luzer – 牛津大学出版社美国分部

• 原始研究：开放获取。“Deep Learning and Transfer Learning for Brain Tumor Detection and Classification” by Arash Yazdanbakhsh et al. Biology Methods and Protocols.

这项研究为AI在医疗领域的应用开辟了新的可能性，特别是在脑肿瘤检测方面。通过提升AI的可解释性和透明度，未来的临床环境将能够更好地利用AI技术，为患者提供更高效、更可靠的诊断服务。