研究人员证明，在乳腺X光影像的大数据集上训练的以卷积神经网络（CNN）形式的深度学习模型，超越了计算机辅助检测（CAD）最先进的系统

　　最近，机器学习领域的新进展揭示了训练深层神经网络的最新技术，atv，这使得在许多模式识别任务（如物体检测和语音识别）中的应用非常成功。

　　在机器学习应用于医疗领域的最新研究中，科研人员利用手动设计的特征集和卷积神经网络（CNN），与最先进的乳腺影像CAD系统进行了比较。目的是为了建立一套智能系统，使得该系统最终可以独立地 “读懂”女性乳房的X光照片。当两个系统均在约45000张图片的大型数据集上训练时，结果表明，在低灵敏度下，CNN胜过传统CAD系统，而在高灵敏度下，二者表现相当。

　　通过持续的研究，科研人员试图探究在多大程度上，这些特征仍然可以对CNN进行补充，比如位置、患者信息，以及常用的手动特征。同时，研究人员试图研究CNN在高特异性上的改善，特别是对于包含那些CNN上不可用的位置及配置指令特征的信息。此外，科研人员还进行了一项实验，他们将该CNN网络与专业的放射科医生进行比较，结果是，它们之间没有明显差异。

　　在美国，每年对近4000万个女性乳房进行X光照相检查，这主要是因为X光照相作为早期检测乳腺癌的筛选程序，被证明可以大大增加患者生存的机会。许多西方国家都实施了类似的筛查方案。但是，这些数据必须要由一个或多个经验丰富的医生来检查是否存在癌症病变的迹象，这是耗时、昂贵的过程，最重要的是，还很容易犯错。

　　为了达到最佳的、精准的医疗效果，科研人员正不断开发计算机辅助检测和诊断（CAD）系统，作为医生诊断的辅助工具。来自美国的数据显示，在筛选程序中，CAD系统在医院设施中占比近70％，而在私人机构中则高达85％。因为，计算机不会存在注意力下降的困扰，当输入数据相同时，结果也是一致的，并且可以用大量的训练样本来训练，远远超过任何放射科专家在他的一生中所经历的影像样本。

　　
图注：上图为候选检测的流水线。候选检测器通过五个像素特征来训练，并应用于所有图像中的所有像素，生成似然图像。似然图像中的局部最优被用作参考系统和CNN的种子点。

　　图注：上图为两个系统的比较。候选检测器生成一组候选位置。传统的CAD系统（左）使用这些位置作为图像分割算法的种子点。这些分割图像用于计算基于区域的特征。第二个系统基于卷积神经网络（CNN）（右），以相同的位置为中心。

　　直到最近，那些依赖于经过人工精心筛选的特征集的CAD系统和许多其他模式识别应用程序的有效性，或许要被学习算法终结了。通常，在特征设计过程中，科研人员需要咨询放射科医生，比如损伤的对比，毛刺征的样式和边缘的锐度。这些特征上的改变虽然给医生们了解病理知识提供了丰富的土壤，却使得科研人员对于人脑如何看待识别过程被执行，产生了很大的偏差。自人工智能（AI）作为一门科学学科诞生以来，研究已经逐渐从基于规则的、问题特定的解决方案，越来越向基于学习的未知的、通用的问题上转变，其中深度学习是AI领域的最新进展。

　　图注：病变（a），其分割图像（b），用于计算对比特征（c），以及用于计算边缘锐度（d）的区域。

　　通过直接从训练样本中提炼信息，而不是通过该领域的权威专家，深度学习使得科研人员能够更好地利用不断增加的数据量，尽可能减少人为偏见。对于许多模式识别任务，它已经被证明是成功的，以至于现在有些系统可以达到人类，甚至超越人类的性能。

　　术语“深度”通常指的是学习系统中的分层非线性，这使得模型能够以更少的参数来表示函数，并且促进更有效的学习。这些模型并不是才诞生，自70年代末以来，相关的科研工作就已经在进行了。然而，2006年，两篇有关深度网络的论文被发表（一篇是在2006年，Hinton、Osindero、The撰写，另一篇是在2007年，由Bengio，Lamblin，Popovici，Larochelle撰写），论文发现，深度网络可以通过贪婪算法、分层的方式训练，重新引燃了人们对人工智能的热潮。