Learning Prostate Anatomy at Test Time for Cancer Detection in Micro-Ultrasound
该论文提出了 ANT，一种测试时自适应框架，通过利用分割引导的辅助任务将编码器表示与前列腺解剖结构进行对齐，从而提高不同微超声成像领域的前列腺癌检测性能，并在多中心评估中表现优于现有的自适应方法。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在对抗前列腺癌的战斗中，医生依靠针头从前列腺（男性位于膀胱下方的一个小器官）中提取微小的组织样本。为了引导这根针，他们传统上使用超声波，这是一种安全且便携的成像工具，利用声波来观察体内情况。然而，标准超声波往往难以清晰地显示软组织，从而难以发现癌变点，这导致医生不得不进行许多随机采样，以期望能击中目标。这可能会漏诊癌症或导致不必要的医疗程序。一种更新、更清晰的技术被称为微超声（micro-ultrasound），它使用更高频率的声波来产生更清晰的图像，提供了一种能够以媲美核磁共振成像（MRI）等更昂贵且复杂扫描技术的精度来观察可疑区域的方法。然而，即便有了这种更好的技术，一个在某医院影像上训练出的识别癌症的计算机程序，在面对另一家医院的影像时往往会失效。这是因为机器、设置以及拍摄图像的方式因地而异，从而产生了让人工智能感到困惑的“领域偏移”（domain shift）。
研究人员长期以来一直试图通过教计算机进行即时自适应来解决这个问题，但现有的大多数方法都依赖于猜测图像统计特征应该是什么样子，往往忽略了被扫描身体部位的实际形状。一组科学家现在提出了一种不同的方法，该方法专注于解剖结构本身。他们开发了一个名为 ANT 的系统，该系统可以帮助计算机在每次观察来自不同诊所的新患者时，重新学习前列腺的形状。该系统并非仅仅尝试猜测癌症，而是首先要求计算机勾勒出整个前列腺的轮廓，利用一个预训练的指南来创建一个关于器官所在位置的粗略地图。通过迫使计算机将其内部理解与这一解剖地图对齐，该系统纠正了由不同机器和设置引起的混乱。这使得癌症检测器能够在不需要为每个地点准备新的标注数据的情况下，在不同医院间可靠地工作。
该研究使用涉及数百名患者的两项大型临床试验数据测试了这一想法。计算机首先在其中一组医院的图像上进行训练，使用的是旧一代微超声扫描仪。随后，它被要求检测来自另外两家医院、使用较新扫描仪的患者中的癌症，在这种情况中，标准的计算机模型通常会表现不佳。研究人员将这种新方法与几种在测试时进行模型自适应的技术进行了对比。结果显示，这种新方法显著提高了癌症检测的准确性。在观察单个针刺样本时，该系统的正确识别癌症的频率比完全不进行自适应的模型高出约 2.9%。在整位患者层面上，这种提升甚至更大，达到了 3.6%。这些增益在两个测试地点都是一致的，而其他自适应方法往往在提升一个地点性能的同时，却降低了另一个地点的性能。
这项发现之所以特别稳健，是因为即使计算机最初对前列腺形状的猜测并不完美，这种提升依然成立。研究人员检查了指南地图仅部分正确的情况，发现系统仍然能够提高癌症检测率。这表明前列腺是一个足够稳定的地标，计算机可以利用它来锚定自己的理解，即使图像质量或机器设置发生变化也是如此。研究还表明，该方法适用于不同类型的计算机架构，而不局限于他们最初构建的那种。当应用于一种领先的尖端模型时，同样的自适应技术也提升了其性能，证明了“以解剖结构作为引导”这一理念是一个通用的解决方案，而非针对特定软件设计的技巧。
研究人员还发现，计算机只需调整其最早的几层处理过程即可实现这些结果。这些早期层负责解释图像中的基本模式和纹理，而这些部分最容易随着扫描仪或协议的变化而改变。通过仅更新这些初始步骤，并保持后期更复杂的决策部分不变，该系统避免了过度修正并保留了识别癌症的能力。这种精细的调整防止了计算机因图像外观的变化而产生困惑，同时保持了其识别癌症的核心知识。研究还指出，计算机变得更加擅长将注意力集中在前列腺本身，减少了“激活泄漏”（activation leakage）现象，即模型错误地强调器官以外区域的情况。这意味着该系统不仅能发现更多癌症，还能停止将健康组织标记为可疑，这是建立自动化医疗工具信任度的关键一步。
虽然结果令人期待，但研究人员也谨慎地指出，该方法依赖于拥有一个可靠的前列腺形状指南。如果图像差异巨大，以至于连通用指南都无法识别该器官，那么该系统可能无法发挥同样的效果。该研究是基于特定的临床试验和扫描仪世代进行的，因此在面对设备或患者群体更为极端的差异时，该方法表现如何仍有待观察。然而，这项工作展示了一条清晰的前行路径：通过将人工智能植根于人体不变的解剖结构，而非仅仅植根于变化的图像统计特征，我们可以构建出更可靠、更能在多样化医院环境中投入实际应用的医疗工具。这种方法为弥合实验室训练计算机与在全球诊所部署以挽救生命之间的差距提供了一种切实可行的方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。