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
纽约AI公司Runway过去七年专注为创意产业构建视觉生成工具,现在发现其技术在机器人领域的新机遇。该公司的世界模型技术吸引了机器人和自动驾驶汽车公司的关注,用于训练仿真。联合创始人表示,相比现实世界训练,使用AI模型进行仿真更具成本效益和可扩展性。公司不会为机器人客户开发全新产品线,而是优化现有模型并组建专门团队。Runway已获得超过5亿美元融资,估值30亿美元。
希伯来大学研究团队开发出MV-RAG系统,首次解决了AI在生成稀有物品3D模型时的"胡编乱造"问题。该系统像拥有图像记忆库的艺术家,能先搜索相关真实照片再生成准确3D视图。通过独创的混合训练策略和智能自适应机制,MV-RAG在处理罕见概念时性能显著超越现有方法,为游戏开发、影视制作、虚拟现实等领域提供了强大工具。
尽管5G在六年商用期内获得超20亿用户,成为部署最快的通信技术,但其变革潜力尚未完全释放。爱立信白皮书指出,全球5G用户2024年增长42%,但仅26%的运营商投资独立组网5G,这限制了自动化、超低延迟等核心能力发挥。中美印三国集中了90%以上独立组网用户,其他地区面临落后风险。5G在工业自动化、云机器人等领域应用前景广阔,企业5G市场规模已达数十亿美元。
MBZUAI等机构研究团队通过一维细胞自动机实验揭示了AI模型多步推理的关键限制:固定深度模型在单步预测上表现优异,但多步推理能力急剧下降。研究发现增加模型深度比宽度更有效,自适应计算时间、强化学习和思维链训练能突破这些限制。这为开发更强推理能力的AI系统提供了重要指导,强调了真正推理与简单记忆的本质区别。