机器学习在乳腺癌筛查和抑郁症诊断中的应用

机器学习在医疗诊断中的创新应用

2019年8月，某健康数据联盟与某云计算中心宣布建立合作关系，共同推动癌症诊断、精准医疗、电子健康记录和医学影像等领域的创新。来自某医学中心、某大学和某理工大学的科研人员获得了额外支持，利用机器学习技术研究乳腺癌风险、识别抑郁症标志物并探索肿瘤生长驱动因素。

乳腺癌风险预测模型

由某大学放射学系副教授领导的科研团队，正在使用深度学习系统分析乳腺X光影像，以预测短期乳腺癌发病风险。该团队汇集了计算机视觉、深度学习、生物信息学和乳腺癌影像学专家，共同为接受乳腺癌筛查的患者开发更个性化的评估方案。

研究团队收集了226名患者的452张匿名正常筛查乳腺X光影像，其中半数患者后来罹患乳腺癌。利用某云计算中心的工具，研究人员采用两种不同的机器学习模型分析影像特征，以帮助预测乳腺癌风险。根据美国医学物理学家协会的报告，两种模型的表现均优于目前作为主要乳腺癌风险影像标志物的乳腺密度指标。

研究团队的模型在综合敏感性和特异性的指标上，比现有模型提升了33%至35%。这项初步工作证明了应用深度学习方法深入解读乳腺X光影像以提升乳腺癌风险评估的可行性和前景。

抑郁症多模态识别技术

在某理工大学的计算机科学副教授与某医学中心的临床研究员合作开展的第二项研究中，团队正在开发能够自动测量个体行为细微变化（如面部表情和语言使用）的传感技术，这些变化可作为抑郁症的生物标志物。

这些生物标志物将与传统临床评估结果进行比较，使研究人员能够评估其技术性能并在必要时进行改进。该机器学习技术旨在辅助临床医生做出诊断和治疗决策。

研究团队与某医学中心的胃肠疾病诊所合作，因为功能性胃肠疾病患者中抑郁症发病率较高。这项工作涉及在数万个多模态样本上训练机器学习模型，包括语言（口语）、声学（韵律）和视觉（面部表情）。虽然计算负载很重，但通过在某云计算服务的多个GPU上并行运行实验，研究人员能够在几天而非数周内完成模型训练。

研究团队在2020年7月的计算语言学协会会议上发表了题为《在大型预训练Transformer中整合多模态信息》的论文。快速、客观的抑郁症标志物可帮助临床医生更有效地评估患者基线，识别可能被漏诊的患者，并更准确地测量患者对干预措施的反应。

未来展望

乳腺癌和抑郁症的研究项目仅仅是该合作将为改善患者护理带来的研究和见解的冰山一角。研究团队、医疗专业人员和机器学习专家组成的多个团队继续在关键研究课题上取得进展，涵盖动脉瘤风险、预测癌细胞进展以及改进复杂的电子健康记录系统等领域。

某中心高级技术项目经理表示：“我们对这些研究人员取得的进展以及机器学习在他们工作中的核心作用感到兴奋和鼓舞。我们期待继续分享这一独特合作如何助力全球范围内的患者实现新发现。”

更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）