有可能用人工智能(AI)培训方法来培训医学专家吗?
先前的研究表明，人类可以通过训练来识别图像中的视觉模式。但是，非专业人士能通过训练来识别通常需要专业人士才能识别的图像中微妙的、抽象的模式吗?奥古斯塔大学神经科学和再生医学系的Jay博士对这一被称为专业技能发展的科学领域非常感兴趣Hegdé。他已经开始着手解决这个鲜为人知的话题，通过探索伪装打破和医学图像感知的世界。
在视觉场景中找到隐藏的对象
在狩猎和战争等活动中找到隐藏目标的能力在狩猎和战争等活动中是至关重要的 - 这实际上，这两种情况都可以是生死攸关的问题。伪装代表了一个极端情况，由此目标物体有效地伪装成其背景，使得即使在躲藏在透明的视线中也很难区分。从计算的角度来看，伪装断裂是最困难的对象识别任务之一。
在人工智能（AI）中，智能计算机学习从与任务相关的大量示例执行日常任务。例如，您可以通过多次重复句子来培训智能手机来识别您的声音。从这些示例中，您的智能手机了解您的声音。同样，通过提供大量相关示例，教导自动驾驶汽车来识别道路标志和交通状况。这种学习策略被称为深度学习（DL）。
在他早期的工作中，Hegdé博士和他的团队寻求使用DL培训普通的人类受试者，以执行通常由高度训练的专家进行的复杂的视觉任务。为了证明，使用DL方法可以训练幼稚科目的原则，他们使用DL来培养普通人通过向他们展示大量数字创造的伪装场景来训练伪装。实际上，在训练结束时，先前的新手受试者能够以非常高的准确度打破伪装。
高技能医生可以看出医学图像，立即认识到旗下疾病的先进警告的微妙视觉模式。
他的团队进行的其他实验揭示了一个有点违反直觉的原理，即大脑如何学会打破伪装——即识别伪装在其背景下的前景物体。它通过学习背景来做到这一点。也就是说，大脑从大量的例子中学习背景的统计特性，这样它就知道背景“看起来像什么”。当图像有前景对象中隐藏的背景，借助于添加的前景对象，图像将具有略微不同的统计信息。因此，大脑可以判断有一个众所周知的“奇怪的人” - 一个不属于背景的物体。
为了反映这种方法与人工智能中使用的DL方法的相似性，Hegdé博士创造了“人类深度学习”这个术语。在伪装训练研究取得成功的鼓舞下，他想将其扩展到视觉模式识别至关重要的另一个领域:通过检查乳房x光片来检测医学图像中的乳腺癌。
凭直觉发现乳腺癌
在放射学和病理学领域，高技能的医生可以看到医学图像，并立即识别出微妙的视觉模式，这些模式标志着疾病(如癌症)的提前警告——通常是在任何可检测到的物理表现出现之前。例如，一个训练有素的放射学家的大脑如何学会检测这些模式?是否有可能通过“人类深度学习”训练初学者以类似的方式检测微妙的视觉模式?Hegdé博士希望他之前在伪装断裂方面的发现可以帮助回答这些问题。它们构成了他对乳房x光检查的下一步研究的基础。在这项研究中，Hegdé博士和他的团队使用了那些已经确定了“基本事实”的乳房x线照片;也就是说，患者是否真的患有乳腺癌是独立确定的。
选择乳房X线照片进行研究
研究人员使用了两种类型的乳房x线照片，它们来自一个名为乳腺筛查数字数据库(DDSM)的公共数据库。第一类632张“癌症”乳房x光照片中都有癌症迹象。没有使用任何没有显示或暗示癌症可能性的图像。在每个病例中，感兴趣的区域(ROI)包含癌症之前已由专家放射学家划分。在这些乳房x光检查中，有问题的ROI要么有被称为微钙化的微小钙沉积(63%的病例)，要么有乳房肿块(37%的病例)，但不是两者都有。
该团队还选择了632张不同的、被归类为“良性”的“非癌症”乳房x光片。在这些病例中，乳房x光检查的结果模棱两可，以至于有必要让病人回诊，但最终没有发现癌症。
测试，培训，再测试
Hegdé和他的团队博士使用类似一套类似的DL训练和测试程序，因为他们在早期的伪装研究中使用。该方法涉及三个连续阶段：预训练测试，训练阶段，最后，训练后测试。在这些医学实验中，使用正常瞄准的成人志愿者（或“受试者”，没有以前的医学或成像背景。他们在18-65岁之间占了。
该研究的三个阶段中的每一个都包括一系列试验之后。在每次试验期间，将受试者显示一个随机选择的乳房照片。志愿者的单一，明确的任务是通过按下计算机键盘上的指定键来简单地报告任何给定图像中的癌症。
在视觉检查中量化眼睛的位置
在每次试验的开始时，该主题必须在计算机屏幕上的相同中心点上短暂注视，可以通过高分辨率的眼睛跟踪检查的东西。在此之后，允许受试者自由地移动他们的眼睛，但在整个试验中跟踪了他们的眼睛的位置。这是为此而采取的，因为当观众积极审查他们感兴趣的图像时，他们的眼睛经常改变凝视点。例如，在阅读期间，有小的运动，但是当我们调查一个房间时，这些运动大大放大。这些弹道式运动称为“扫视”。当我们在图像的部分凝视时凝视密切仔细审查，所产生的微小的眼睛运动被称为“microAccdes”。该团队希望在培训过程中监控任何眼部运动变化，因为它们有助于对象读取图像的能力的任何训练相关的变化。
以自己的方式学习
受试者被随机显示乳房X线照片，并询问癌症是否在图像中明显明显。对于预训练试验，随机选择24'癌症乳腺照片，另一个没有。对于随后的训练阶段，使用先前的样品均未使用。这有助于消除任何'上面的机会'级别结果，因为具有先前已经看到的拍摄对象的图像。重要的是要理解的是，这些科目没有被告知在培训阶段学习或如何学习。他们收到的唯一信息是图像（即乳房X光检查）本身和反馈如果它们给出了正确的诊断。这很重要，因为满足DL功能标准所需的培训方法。
该团队进行了一些其他实验，以进一步改善培训结果。一个涉及允许受试者再次查看乳房X光检查（'审查阶段'）后，在他们初次报告并收到反馈后，但是ROI数字叠加在乳房X光线上。在另一种审查阶段，还呈现了类似的实验，放射学审查诊断和诊断信息（以及ROI概述的乳房X线照片），允许根据这一附加信息进行重新检查。
没有训练，可理解的是，受试者报告乳房X线照片与突出部分，例如乳房密度，即使它们也不是癌症。学习差异需要时间。虽然对DL中学到的究竟是如何学到的，但如何学习仍然难以捉摸，但监测眼球运动可能会阻止解锁这种理解的关键。肯定的是，培训依赖性的性能改善在所有志愿者身上都是一个团体的重要性，以及每个人在研究中的志愿者。
驾驶智能计算机的相同深入学习方法可用于训练新手以检测乳房X光检查中的乳腺癌模式。
由于受试者在检测癌症时更好地改变了微观的模式。特别是，随着受试者变得更好，微观的微微码减少。在训练开始时，微微accaddes被引导（即，凝视的受试者）乳房X线图的视觉上突出的部分。随着培训进展，受试者倾向于揭示亚特列机，较少的视觉突出地区更加诊断癌症，并更快地达到决定。训练结束后，Gazes在投资回报率频繁地降落得多。
照片来源：https://pubmed.ncbi.nlm.nih.gov/32042860/
研究人员发现，给予受试者的信息越多，他们的癌症检测表现就越好。总的来说，结果提供了大量证据，原则上，驾驶智能计算机的相同DL方法也可用于训练新手，以检测乳房X光检查中乳腺癌的诊断图像模式。
人类专长学习
复杂的视觉模式可以从示例深度学习的原则不是新的。尽管如此，仍然利用伪装爆发和乳房X线照相如示例案例，哈格德博士及其团队仍证明了DL技术原则上可以用于培训和具有人类专业知识学习的实际潜力。
在识别乳房x线照片中微钙化和乳房肿块的诊断视觉模式时，他们强调了这样一个事实:视觉模式识别方面的专业知识可以在没有任何医学专业知识，甚至没有任何特殊的复杂模式识别先天资质的情况下获得，提出了医学教育的重要意义。
Hegdé博士注意到这些结果绝不意味着本研究中的受试者与实践放射科医生一样好。他强调，除了学习视觉模式的放射科医生来说，还有更多的程度。此外，受试者必须学习，微钙化和乳腺群体的乳腺癌视觉模式，虽然很难学习，但仍然是一些最简单的乳腺癌模式。
个人反应
你打算去哪里去下一个？您可以提高学习哪些改进？
我们目前正在努力回答这项研究提出的三个问题。首先，大脑中发生的变化是受试者学会做这项任务的吗？我们正在使用脑成像来回答这个问题。其次，乳房X线照片究竟是什么对象学习当他们学会完成这项任务时，它是与放射科医生自己学习和使用的相同？我们正在使用数学心理学的方法来回答这个问题。最后，我们在执行类似任务的计算机中构建了神经网络。我们在培训之前，期间和之后系统地将该网络的行为与主题的行为进行了系统地比较。