机器学习已逐渐成为推进癌症检测和诊断的重要工具。癌症在其影响的组织中会引起不同类型的变化，所以癌症在组织中的存在最终会导致其物理特性的变化，例如密度或孔隙度的变化。这些变化可以在医学图像中作为信号识别出来。机器学习算法的作用是挑选出这个信号，并用它来确定正在成像的特定组织是否癌变。

       以乳腺癌为例，乳腺超声弹性成像是一种新兴的成像技术，通过以非侵入性的方式评估潜在乳腺病变的刚度，从而提供有关该病变的信息。

       乳腺癌是女性癌症相关死亡的主要原因。据统计，有将近1/10的乳腺癌被误诊为良性，这意味着病人可能会失去关键的治疗时间。另一方面，女性做的乳房X光检查越多，出现假阳性结果的几率也越大。经过10年的年度乳房X光检查，大约2/3的没有癌症的患者可能被怀疑患癌，并接受侵入性干预，比如组织活检。

       与传统的成像方式相比，乳腺超声弹性成像利用了关于癌性和非癌性乳腺病变特征的更精确信息，显示出更高的准确性。然而，这一过程的关键是一个复杂的计算问题，解决起来既费时又麻烦。

       那如果依赖于算法的指导呢？

       南加州大学维特比工程学院航空航天与机械工程系教授Assad Oberai博士，在发表于《应用力学与工程中的计算机方法》上的研究论文《通过深度学习绕过反问题的解决方案：弹性成像的应用》中提出了这个问题。

       Oberai博士和包括南加州大学维特比工程学院博士生Dhruv Patel在内的一组研究人员，特别考虑了以下问题：

       能否训练机器使用合成数据来解释真实世界的图像，并简化诊断步骤呢？

       Oberai博士说，答案很可能是肯定的。

       以乳腺超声弹性成像为例，一旦拍摄了受影响区域的图像，就对图像进行分析，以确定组织内的位移。利用这些数据和物理力学定律，确定了机械性能(比如它的刚度)的空间分布。在此之后，必须从分布中识别和量化适当的特征，最终将肿瘤分类为恶性或良性。问题是最后两个步骤在计算上很复杂，而且具有内在的挑战性。

       在研究中，Oberai博士试图确定他们是否可以完全跳过这个工作流中最复杂的步骤。

       癌性乳腺组织有两个关键特性：异质性，即有些区域是柔软的，有些区域是坚硬的；非线性弹性，即纤维在被拉伸时提供了很大的阻力，而不是最初与良性肿瘤相关的阻力。了解了这一点，Oberai博士创建了基于物理的模型，显示了这些关键属性的不同级别。为了训练机器学习算法，他使用了来自这些模型的数千个数据输入。

       合成数据与真实数据

       为什么要使用合成的数据来训练算法呢？真实的数据不是更好吗？

       Oberai博士解释说：“如果你有足够的数据，你就不会使用合成的数据来训练算法。但就医学成像而言，如果你有1000张图像，就已经很幸运了。在这种数据匮乏的情况下，这类技术变得非常重要。”

       Oberai博士和他的团队使用了大约12000张合成图像来训练他们的机器学习算法。这个过程在许多方面与照片识别软件的工作原理类似，通过重复输入如何识别图像中的特定人物，或者我们的大脑如何学会将猫和狗进行分类来学习。通过足够多的例子，该算法能够收集良性肿瘤和恶性肿瘤固有的不同特征，并做出正确的判断。

       Oberai博士说：“我们的准确率约为80%。接下来，我们将使用更多真实世界的图像作为输入，继续改进算法。”

       这类算法会取代放射科医生在确定诊断中的作用吗？

       绝对不会。

       Oberai博士指出，这类算法可以发挥重要作用，但它无法作为癌症诊断的唯一仲裁者，而是作为一种帮助引导放射科医生得出更准确结论的工具。不过，这些算法只有在不充当黑盒时，才会是最有用的。“算法必须是可解释的，才能按预期工作。”