群眾外包人工智慧挑戰賽：提高乳腺攝影分析的準確性結束

乳腺攝影對於女性的健康和早期發現乳腺癌非常重要。然而，乳腺攝影需要人類專家進行解讀，即使是高度訓練的專家也會犯錯。據估計，美國的乳腺攝影假陽性率約為10%。為了創建能夠提供更準確的乳腺攝影結果的系統，數字乳腺攝影（DM）夢想挑戰賽最近啟動了一個群眾外包的努力，開發新的乳腺攝影算法

根據PhysicsWorld報導，計算機視覺技術和深度學習算法在過去幾年中已經变得更加成熟，研究人員和工程師正轉向使用人工智慧來解讀乳腺攝影，旨在提高準確性。數字乳腺攝影（DM）夢想挑戰賽啟動了一個競賽，以調查使用人工智慧算法來識別可能的乳腺癌跡象。

DM夢想挑戰賽是迄今為止最大的深度學習算法在乳腺攝影解讀方面的研究。夢想挑戰賽的總裁Justin Guinney解釋說，挑戰賽的原因是它允許對數十個深度學習模型在兩個不同的數據庫中進行結構化評估。參加挑戰賽的參與者需要設計可以在乳腺攝影數據上訓練並輸出患者在一年內被診斷出患有乳腺癌的概率分數的算法。還有一個次要挑戰條件。在第二個任務中，算法可以在額外的信息上進行訓練，例如人口統計風險數據、臨床數據和之前篩查考試的圖像。

使用了兩個數據庫來訓練模型。第一個數據庫是凱撒永久醫療機構華盛頓（KPW）數據庫，由美國的研究人員匯編。同時，瑞典的卡羅林斯卡學院（KI）研究人員匯編了第二個數據庫。

超過1100名參與者加入了挑戰賽，分為126個不同的團隊，來自全世界各地。在挑戰賽的第一部分，模型使用KPW數據集進行訓練，該數據集包含了超過140000次篩查考試的圖像。與第二個挑戰賽的結果相比，發現訪問更多的功能，例如臨床數據，並沒有顯著提高算法的判別力。然而，DM夢想團隊建議，未來的算法開發應該包括對患者之前的圖像進行分析，認為參與者可能沒有充分利用數據。

根據Health IT Analytics報導，DR夢想團隊希望讓前八名的團隊合作設計一個集成分類模型，以查看這個模型是否能夠超越個別模型。挑戰賽協調員然後使用了各個算法預測的加權聚合，創建了挑戰賽集成模型（CEM）。CEM模型的概率預測與放射科醫生的解讀相比，使用特異性進行評估。放射科醫生達到了90.5%的特異性，而CEM模型只達到了76.1%的特異性。雖然結果看起來令人失望，但當CEM模型和放射科醫生的解讀被聚合成另一個模型（CEM+R）時，特異性提高到了92%。

在KI測試數據庫上獲得了類似的結果，該數據庫包含了超過166,000次考試的圖像，CEM模型略遜於放射科醫生（92.5%的特異性相比96.7%的特異性），但CEM+R獲得了更好的結果（98.5%的特異性）。

雖然沒有任何個別模型能夠超越人類專家，但CEM+R模型在與單獨的放射科醫生解讀相比略占優勢。可能是將人類的直覺與人工智慧助手結合可以提高準確性。