一个由华盛顿大学、微软人工智能实验室和弗雷德·哈钦森癌症研究中心的研究团队开发的AI模型，能够以前所未有的精确度在乳腺核磁共振成像（MRI）中绘制乳腺癌病灶区域。这项发表于《放射学》期刊（北美放射学会期刊）的研究显示，该系统通过学习正常乳腺组织的影像特征，反向识别异常组织，在检测乳腺癌时不仅准确度超过现有数字检测方法，更能精准定位可疑组织位置。
这项技术的核心突破在于采用了"异常检测"（Anomaly Detection）算法——与传统AI模型直接学习癌变影像特征的正向模式不同，新模型通过分析9500例2005-2022年间华盛顿大学收集的MRI影像，建立正常乳腺组织的特征模型。当检测到偏离正常模型的影像时，系统会自动生成覆盖原始影像的热图，可视化标注可疑区域。这种热图标注功能相较现有仅能提示癌变存在的技术，能为放射科医生提供精确的定位指引。
"我们希望通过这项技术扩大乳腺MRI筛查的适用范围，"华盛顿大学放射学教授Savannah Partridge表示。作为该研究的主要负责人之一，她强调虽然MRI相较乳腺X光更灵敏，但受限于成本和效率问题，目前主要用于高风险人群。该技术通过算法创新提升了数据利用效率，因为正常组织影像数据远多于癌变样本。
微软人工智能实验室高级研究员Felipe Oviedo指出，这种可解释性AI模型能提供像素级的病灶解释。系统不仅能协助放射科医生快速分诊需紧急处理的病例，还能为后续影像检查和穿刺活检提供精准定位。不过目前该工具尚未通过临床验证，研究团队正在开展与放射科医生阅片效果的对比研究。
论文标题为《通过可解释性AI异常检测进行乳腺MRI筛查中的癌变识别》，共有14位作者来自华盛顿大学、微软、弗雷德·哈钦森癌症研究中心、密歇根州立大学等8家机构。研究团队特别强调，AI工具在医疗场景的应用需要审慎评估，重点在于为医生提供可信赖的辅助信息而非增加工作复杂度。
【全文结束】
