[ad_1]
关键要点
- 检测癌症是机器学习的理想医疗用例。
- 可以筛查肝癌和乳腺癌的人工智能工具已经投入使用。
- 展望未来，研究人员正在开发新技术来帮助诊断前列腺癌，亲属癌症和白血病。
检测危险的癌症是机器学习模型最有前景的医学应用之一。
早期的成功案例包括一系列人工智能工具，可以通过肝脏扫描或 乳房 X 光检查。但研究人员也在探索如何将类似的技术应用于前列腺、皮肤、血液和 胃癌。
为什么人工智能非常适合癌症检测
从根本上讲，神经网络根据从训练数据中学习到的信息，根据输入生成预测。
例如，支持现代聊天机器人的大型语言模型 (LLM) 已在大量语言数据集上进行训练。它们针对特定提示给出的输出可以被认为是基于它们之前对语言模式的了解，在统计上最有可能正确的答案。
在检测癌症时，模型不需要处理大量的文本库，而是根据人们的扫描和测试结果以及审查这些结果的诊断专家的发现进行训练。
人工智能癌症筛查的基本逻辑是，经过医生筛查的样本经过模型训练后，能够发现数据中的模式。然后，它可以使用这些模式来预测新患者是否出现癌症迹象。
将人工智能筛查应用于不同类型的医疗数据
典型的人工智能癌症测试涉及 X 射线或其他医学扫描，其中癌症生长可以被观察为视觉异常。
这种方法已被证明能有效地通过乳房 X 光检查识别乳腺癌，最新的工具甚至能够标记出人类放射技师错过的肿瘤。
研究人员目前正在致力于开发能够帮助 识别皮肤癌 来自潜在黑色素瘤的图像。
但同样的基本概念也可以应用于其他不太直观的诊断方法。
研究人员开发出新型人工智能白血病测试
例如，一组研究小组最近利用流式细胞术数据训练了一个用于诊断白血病的人工智能模型。
传统的流式细胞术分析非常困难，需要将数据通过计算密集型算法来筛查不同类型的数千种血细胞中的各种癌症标志物。
在最近的 学习 ，一个根据流式细胞术结果训练的人工智能模型在检测两种最常见的白血病时显示出 94.6% 和 98.2% 的成功率。
这种工具有望成为诊断工具包的宝贵补充，可以节省医生的时间，并可能带来更普遍适用的血癌筛查技术。
这篇文章有帮助吗？
