最近发表在《柳叶刀:肿瘤学》上的一项研究,调查了通过乳房X光片检测乳腺癌的能力,并比较了AI加一名放射科医生同两名具有多年临床经验的资深医生间的诊断差异。在瑞典进行的这项首个同类随机对照试验中,超过8万名女性拍摄了X光片以参与乳腺癌检查。
在近16个月时间里,AI支持的X光片检查稍微提高了癌症检出率,最终比例为千分之六;而在由两名放射科医生纯手动检查的情况下,受试女性们的癌症检出率为千分之五。此外,研究中两组(AI辅助筛查组与无AI辅助筛查组)的假阳性率(即根据X光片诊断患有乳腺癌,但实际上并不存在)相似。
尽管此项研究并没有明确衡量放射科医生使用AI所能节约的时间,但作者推测放射科医生的工作量可以因此减少达44%。
鉴于AI有可能改变乳腺成像的实现方式、甚至是癌症检测方式,我们当然有必要了解其中的实现原理。以下,就是AI加持并增强乳腺成像的五种具体方式。
数据显示,从40岁开始每年接受胸部X光乳腺癌筛查能够拯救生命。与不接受筛查相比,死亡率可降低达40%。《柳叶刀:肿瘤学》的这篇研究文章也提到,与无AI辅助筛查相比,AI辅助胸部X光片检查能够多发现一种癌症。考虑到接受胸部拍片筛查的女性高达数百万,这将挽救几千人的生命。医疗保健系统和医生一直在努力为患者提供最为有效的护理,而AI无疑可以协助达成这个目标。
《柳叶刀:肿瘤学》上的研究表明,如果放射科医生能将AI纳入胸部X光检查流程当中,则其工作量可以减少达44%。在瑞典,筛查性胸部X光检查需要由两名放射科医生分别进行,但在美国的情况则不一样,只要单独一名放射科医生即可做出诊断。因此对美国的执业放射科医生来说,工作时间方面的节省可能没那么显著,不过帮助效果肯定存在。其他发表的研究也基本支持这个结论,认为在AI技术的协助下,乳腺放射科医生在筛查胸部X光片能够减少达40%的工作量。如果事实确实如此,那么乳腺放射科医生就能提高自身工作效率、有更多时间完成其他任务,例如与患者交互和沟通。
对于放射科医生来说,通过胸部X光筛查来检测癌症绝非易事。胸部X光片上乳腺癌部位的密度与正常乳腺组织非常相似,因此这种X光筛查会漏掉近20%的乳腺癌也就不奇怪了。如果AI能够帮助检测乳腺癌,肯定会受到放射科医生和患者群体的热烈欢迎。此外,当放射科医生不太确定是否属于病变、但AI工具将其诊断为癌症的情况下,这项技术相当于增强了放射科医生的信心。通过这种方式,AI将为放射科医生对X光片的解释能力赋予巨大的价值。
医生,特别是乳腺放射科医生,发生身心倦怠问题的比例其实相当惊人。在乳腺影像学会对全球乳腺放射科医生进行的一项调查中,超过78%的参与者报告了至少一个可以量化的倦怠维度。众所周知,过去二十年来不断增加的工作量,成为放射科医生陷入倦怠和压力的主要原因。如果AI技术能够提高放射科医生的工作效率,并缩短诊断和解释(例如胸部X光片检查)的时间,那AI真的有可能帮助乳腺放射科医生缓解这种普遍存在的倦怠与疲惫情绪。
AI还可以让乳腺放射科医生在解读图像时跳出原本的条条框框。AI有可能提出某些诊断结论,帮助解读时没有想到这些的放射科医生打开思路。通过这种方式,AI将逐步培养放射科医生的创造力,引导他们在解释结果时考虑到更多情况。
AI在医学领域有着巨大的应用空间,特别是在乳腺成像领域已经建立起多个实用方向。在讨论AI时,纽约大学朗格尼健康中心珀尔穆特癌症中心的乳腺放射科医生Laura Heacock博士表示,“它之于放射科医生,就如同听诊器等工具之于心脏病专家。”
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。