Artificial Intelligence Algorithms for the Detection of Pathologies Related to Lung Cancer through Image Analysis using Convolutional Neural Networks and Data Augmentation: a systematic mapping of the literature

肺癌仍然是全球公共健康面临的最严峻威胁之一，很大程度上是因为能否早期发现往往决定了生死。检测该疾病的标准方法是使用X射线对胸部进行详细的三维成像，这一过程被称为计算机断层扫描（CT）。这些图像揭示了肺部内部复杂的结构，使医生能够寻找被称为“结节”的小型异常生长物。然而，解读这些扫描图像是一项艰巨的任务，需要高度专业的专家去筛选数以千计的图像，这成为了一个可能导致诊断延迟并限制医疗服务获取能力的瓶颈。近年来，一种新的工具出现以协助这些专家：人工智能。具体而言，研究人员一直在开发受人类大脑启发而设计的计算机程序，即被称为“神经网络”的程序，它们可以像人类一样学习识别图像中的模式。当这些网络专门为图像设计时，它们被称为“卷积神经网络”。它们通过扫描图像并突出最重要的特征（例如结节的形状或纹理）来工作，以帮助判断其是否具有危险性。

由布宜诺斯艾利斯，阿根廷开放国际大学的帕布罗·拉米雷斯·阿马多尔（Pablo Ramirez Amador）进行的一项近期科学文献综述，深入探讨了这些计算机系统目前如何被用于检测肺癌。该研究审查了2015年至今发表的96篇研究论文，通过搜索主要科学数据库来寻找该领域最相关的研究成果。其目的并非测试单台新机器，而是为了绘制现有研究的完整图景，了解哪些方法最为有效，以及最大的障碍仍然在哪里。研究人员重点关注了两种显示出前景的技术：迁移学习和数据增强。迁移学习允许一个已经学会识别通用物体（如猫或汽车）的计算机程序被改编用于识别肺结节的具体任务，从而节省时间和资源。数据增强是一种通过对现有图像进行轻微改动（如旋转、改变大小或添加一些视觉噪声）来创造更多训练材料的方法，使计算机能够看到同一事物的更多变体，从而学习得更加稳健。

综述发现，这些人工智能工具确实能够为肺癌的早期诊断提供一种高效的替代方案，其敏感性和特异性通常能与人类专家相媲美。所分析的研究表明，使用预训练网络（如被称为VGG16或ResNet的网络）结合数据增强，在识别非小细胞肺癌（这是该疾病最常见的类型）方面具有很高的准确性。计算机模型能够处理来自CT扫描的复杂数据，并以极高的精准度标记潜在问题，这表明它们有望成为诊断过程中至关重要的一部分。然而，论文也明确指出，这项技术尚未成为一种可以立即在每家医院广泛使用的成熟产品。研究人员指出，在这些工具能够在现实临床环境中获得信任之前，必须解决一些重大挑战。一个主要问题是缺乏标准化数据；不同的医院使用不同的机器和协议，这可能会让计算机模型产生困惑。此外，关于患者信息的隐私问题，以及理解计算机如何得出其结论的需求（这种特性被称为“可解释性”，以便医生能够信任他们收到的建议），也是严重的担忧。

最终，该研究结论认为，虽然人工智能在改善肺癌患者护理方面具有巨大的潜力，但它并不是一个会取代人类医生的“魔法解决方案”。未来的道路需要更多的研究来完善这些算法，并需要新的法规来确保其安全、可靠且符合伦理。综述建议，肺癌检测的未来在于一种伙伴关系，即这些强大的计算机系统充当“第二双眼睛”，帮助更早、更准确地捕捉疾病，但前提是科学界必须解决目前在数据质量和模型透明度方面的局限性。在此之前，这项技术仍是一个强大的承诺而非完全实现的临床标准，等待着采取必要的步骤将其安全地引入临床。