圣路易斯华盛顿大学医学院和 Whiterabbit.ai 的研究人员进行的一项研究表明，使用人工智能 (AI) 来补充放射科医生对乳房 X 光检查的评估可以减少误报，而不会漏掉癌症病例，从而改善乳腺癌筛查，一家总部位于硅谷的科技初创公司。
研究人员开发了一种算法，可以以非常高的灵敏度识别正常的乳房X光照片。然后，他们对患者数据进行了模拟，看看如果将所有风险极低的乳房 X 光检查从放射科医生的盘子上取下来，从而使医生能够专注于更有问题的扫描，会发生什么。模拟显示，被召回进行额外检测的人数会减少，但会发现相同数量的癌症病例。
华盛顿大学马林克罗特放射学研究所 (MIR) 放射学教授、资深作者 Richard L. Wahl 医学博士解释说：“误报是指当你给病人打电话进行额外检测时，结果发现结果是良性的。”放射肿瘤学。 “这给患者带来了很多不必要的焦虑，也消耗了医疗资源。这项模拟研究表明，人工智能可以可靠地识别风险极低的乳房 X 光检查，以减少误报并改善工作流程。”
Wahl 此前与 Whiterabbit.ai 合作开发了一种算法，帮助放射科医生判断乳房 X 光检查中的乳腺密度，以确定哪些人可以从额外或替代筛查中受益。该算法于 2020 年获得美国食品和药物管理局 (FDA) 的批准，目前由 Whiterabbit.ai 以 WRDensity 名义进行销售。
在这项研究中，Wahl 和 Whiterabbit.ai 的同事共同开发了一种利用人工智能评估乳房 X 光检查来排除癌症的方法。他们在 123,248 张 2D 数字乳房 X 光照片（其中 6,161 张显示癌症）上训练了 AI 模型，这些照片主要由华盛顿大学放射科医生收集和读取。然后，他们在三组独立的乳房 X 光照片上验证和测试了人工智能模型，其中两组来自美国的机构，一组来自英国的机构。
首先，研究人员弄清楚医生做了什么：有多少患者被召回进行二次筛查和活检；有多少患者被召回进行二次筛查和活检；这些测试的结果；以及每种情况的最终决定。然后，他们将人工智能应用于数据集，看看如果在最初的评估中使用人工智能去除阴性乳房X光检查，并且医生遵循标准诊断程序来评估其余部分，会有什么不同。
例如，考虑最大的数据集，其中包含 11,592 个乳房 X 光照片。当扩展到 10,000 个乳房 X 光检查时（为了模拟的目的简化数学计算），AI 识别出 34.9% 为阴性。如果将这 3,485 次阴性乳房 X 光检查从工作量中删除，放射科医生将进行 897 次诊断检查回调，比实际的 1,159 次减少 23.7%。下一步，将有 190 人被第二次叫去进行活检，比实际的 200 人减少了 6.9%。在此过程结束时，人工智能排除法和现实世界的标准护理方法都识别出了相同的 55 种癌症。换句话说，这项人工智能研究表明，在 10,000 名接受初次乳房 X 光检查的人中，有 262 人可以避免诊断检查，10 人可以避免活检，而不会遗漏任何癌症病例。
Whiterabbit.ai 联合创始人兼首席技术官、合著者 Jason Su 表示：“归根结底，我们相信医生是超级英雄，能够发现癌症并帮助患者度过未来的旅程。” “人工智能系统可以提供帮助的方式是扮演支持角色。通过准确评估阴性结果，它可以帮助从大海捞针中剔除干草，以便医生可以更轻松地找到针头。这项研究表明，人工智能在识别负面考试方面可能非常准确。更重要的是，结果表明，自动化阴性检测也可能在不改变癌症检出率的情况下减少假阳性带来巨大的好处。”
平均而言，放射科医生在评估的每 200 张乳房 X 光检查中就会发现 1 例癌症（下图）。上面的图像显示没有癌症。在最近的一项研究中，圣路易斯华盛顿大学医学院和 Whiterabbit.ai 的研究人员表明，人工智能辅助可能会通过减少假阳性数量而不错过真阳性来改善乳腺癌筛查。
