[论文解读] Artificial Intelligence For Breast Cancer Detection: Trends & Directions.

Shahid Munir Shah, Rizwan Ahmed Khan+2 more|arXiv (Cornell University)|Oct 3, 2021

AI in cancer detection参考文献 173被引用 5

一句话总结

本文全面综述了人工智能驱动的乳腺癌检测，重点探讨了应用于乳腺X线摄影的深度学习方法。文章评估了影像模态、数据集以及最先进的卷积神经网络（CNN）架构，强调了可解释性与临床整合的挑战，以支持可靠、可解释的人工智能系统用于早期诊断。

ABSTRACT

In the last decade, researchers working in the domain of computer vision and Artificial Intelligence (AI) have beefed up their efforts to come up with the automated framework that not only detects but also identifies stage of breast cancer. The reason for this surge in research activities in this direction are mainly due to advent of robust AI algorithms (deep learning), availability of hardware that can train those robust and complex AI algorithms and accessibility of large enough dataset required for training AI algorithms. Different imaging modalities that have been exploited by researchers to automate the task of breast cancer detection are mammograms, ultrasound, magnetic resonance imaging, histopathological images or any combination of them. This article analyzes these imaging modalities and presents their strengths, limitations and enlists resources from where their datasets can be accessed for research purpose. This article then summarizes AI and computer vision based state-of-the-art methods proposed in the last decade, to detect breast cancer using various imaging modalities. Generally, in this article we have focused on to review frameworks that have reported results using mammograms as it is most widely used breast imaging modality that serves as first test that medical practitioners usually prescribe for the detection of breast cancer. Second reason of focusing on mammogram imaging modalities is the availability of its labeled datasets. Datasets availability is one of the most important aspect for the development of AI based frameworks as such algorithms are data hungry and generally quality of dataset affects performance of AI based algorithms. In a nutshell, this research article will act as a primary resource for the research community working in the field of automated breast imaging analysis.

研究动机与目标

• 分析用于乳腺癌检测的主要医学影像模态的优势与局限性。
• 回顾过去十年中应用于乳腺X线摄影的人工智能与计算机视觉技术，特别是深度学习方法。
• 为从事自动化乳腺癌检测的研究人员整理可访问的、公开可用的数据集。
• 强调在临床决策支持系统中实现可解释人工智能的迫切需求，以获得放射科医生的信任。
• 为开发基于人工智能的自动化乳腺影像分析系统的研究人员提供发展路线图。

提出的方法

• 2010年至2021年期间，对人工智能与计算机视觉方法在乳腺癌检测中的应用进行系统性综述。
• 将人工智能算法分类为传统机器学习（手工特征）与深度学习（端到端特征学习）。
• 深入分析卷积神经网络（CNN）作为医学图像分析中主导的深度学习架构。
• 评估应用于乳腺X线和组织病理学图像的流行预训练CNN架构（如VGG、ResNet、DenseNet）。
• 整理各影像模态（包括乳腺X线摄影、超声、MRI和组织病理学）的公开可访问数据集，并提供直接链接。
• 讨论数据稀缺、模型可解释性以及深度学习在临床环境中“黑箱”性质等挑战。

实验结果

研究问题

• RQ1 哪些影像模态在基于人工智能的乳腺癌检测中最有效？各自的优缺点是什么？
• RQ2 深度学习模型，特别是CNN，在利用乳腺X线摄影实现自动化乳腺癌检测方面，如何推动了技术的最新进展？
• RQ3 可用于训练和评估人工智能模型的公开可用、完全标注的数据集有哪些？
• RQ4 为何模型可解释性对放射科中人工智能的临床采纳至关重要？当前在实现可解释性方面存在哪些局限？
• RQ5 将基于人工智能的决策支持系统整合到常规临床实践中的主要障碍是什么？

主要发现

• 乳腺X线摄影仍是乳腺癌筛查中最广泛使用且最易获取的影像模态，且拥有大量已标注的数据集。
• 深度学习模型，尤其是基于CNN的架构，在检测和分期乳腺癌方面显著优于传统机器学习方法。
• 大规模、高质量标注的数据集是训练高性能人工智能模型在医学影像中应用的关键推动因素。
• 尽管准确率高，深度学习模型通常被视为“黑箱”，限制了其在临床环境中的信任度与采纳率。
• 医生将人工智能决策的可解释性与可解释性列为最高优先事项，凸显了对透明、可解释人工智能模型的迫切需求。
• 将人工智能整合到临床工作流程中，不仅需要技术准确性，还需伦理框架与监管标准，以确保安全与问责性。