【医疗AI论文推荐】乳腺癌检测的深度学习模型击败了来自纽约大学和麻省理工学院的5名全职放射科医生和以前的SOTA模型

论文题目

基于标注有效的有监督深度学习方法在乳腺摄影和数字乳腺断层摄影中的鲁棒性乳腺癌检测

论文摘要

乳腺癌仍然是一个全球性挑战，2018年全球死亡人数超过100万。为了尽早发现乳腺癌，全世界的卫生组织都建议进行乳腺x光筛查，据估计可将乳腺癌死亡率降低20-40%。然而，显著的假阳性率和假阴性率，以及高昂的口译费用，为提高质量和获得服务留下了机会。为了解决这些局限性，最近人们对将深度学习应用于乳房X光摄影术产生了很大兴趣；然而，获取大量带注释的数据对为此目的训练深度学习模型提出了挑战，同时也确保了在训练数据集中所代表的群体之外的泛化。在这里，我们提出了一种注释有效的深度学习方法，1）在乳房X光分类方面达到最先进的性能，2）成功扩展到数字乳房X光合成（DBT；“3D乳房X光成像”），3）在癌症患者的临床阴性乳房X光片中检测癌症，4） 对于低筛查率的人群，5）通过平均提高14%的绝对灵敏度，其表现优于五分之五的全职乳腺成像专家。我们的研究结果表明，我们有望开发出一种软件，能够提高全世界乳腺X光检查的准确性和可获得性。

论文作者

William Lotter,Abdul Rahman Diab,Bryan Haslam,Jiye G. Kim,Giorgia Grisot,Eric Wu,Kevin Wu,Jorge Onieva Onieva,Jerrold L. Boxerman,Meiyun Wang,Mack Bandler,Gopal Vijayaraghavan,A. Gregory Sorensen。