Google应用机器学习来侦测难以发现的大肠息肉

Google发表了最新将机器学习用于大肠镜的研究，研究人员开发了一个机器学习模型，能够帮助医疗人员在大肠镜检查中精确侦测息肉，以解决检测不完全的问题。这个最新的研究，建立在早先的研究上，之前Google研究人员已经开发了一个系统，来最大化大肠镜检查范围，避免医疗人员遗漏部分肠段未检查。在临床研究中应用这些系统，结果显示能够显著提升息肉侦测率。

要检测和去除大肠息肉的标准程序之一，便是进行大肠镜检查，在大肠镜检查过程，医疗人员使用内视镜来检查肠道中，寻找良性以及癌变的息肉，但因为各种因素，可能使得大肠镜检查不完全，像是息肉没有被内视镜照到，又或是息肉可能因为形状或是大小的关系，即便出现在内视镜视野中，也可能遭到遗漏。研究也显示，大肠镜检查平均会遗漏22％-28％的息肉，而其中20％–24％的息肉有机会癌变。

在之前的研究中，Google研究人员已经开发了机器学习系统，来解决大肠镜探索不完全的问题，透过在检查期间，估计覆盖与未覆盖的区域，来降低不完全探索的概率，而新的这个研究，是要来解决当息肉出现在大肠镜视野中，却未被发现的问题。

研究人员开发了一个基于卷积神经网络（CNN）的系统，这个系统有2个主要优点，分别是能解决因为息肉难以发现，而产生伪阴性检查结果的问题，另一个优点则是，该系统伪阳性率非常低，研究人员提到，伪阳性率使得系统更有可能被应用在临床中。

研究人员使用了3,600段大肠镜检验，约有8,600万个影格来训练系统，并且准备了1,400段的检查过程，约3,300万个影格进行测试，该系统能够检测出97％的息肉，在每段检测仅会出现4.6次误报，经过进一步的分析，部分误报其实是有效的息肉侦测，只不过内视镜检查者以及资料注释人员遗漏了这些息肉，研究人员提到，这个系统被证明在检验息肉上具备通用性，因为已经学会侦测那些，一开始遭到遗漏的息肉。

这些实验是模拟息肉在视野中不超过5秒的结果，而这样的检查速度，会使医疗人员更难以发现息肉，因此系统的灵敏度，约是原始检查的3倍，而当息肉出现在视野中不到2秒，则系统灵敏度更是原始检查的4倍。

研究人员在这个大肠镜息肉检查系统，试用了2种神经网络架构RetinaNet和LSTM-SSD，RetinaNet是一种先进的静态图像物件侦测技术，能将其应用在连续影格侦测，在基准测试中，RetinaNet以平衡的运算速度以及精确性著称，而LSTM-SSD是一种影片物件检测架构，可以处理一些影片的时间特征，像是模糊或是快速运动等状况，其非常轻巧，可以在低成本的处理器上运作。研究人员提到，根据不同需求，可以选择不同的神经网络，但都能获得良好的结果。

目前这套系统已经进到医疗中心，实际用于100个大肠镜检查中，研究人员提到，这套系统降低排除息肉的时间，而且不会让医疗人员遗漏任何的息肉，虽然每次检测平均有3.8次误报，但是医疗中心目前对该系统的回馈是正向积极的。