消除侥幸心理

消除侥幸心理(人民论坛)

打通筛查、转诊、治疗等各环节工作,努力实现专业化救治;加强对确诊患者的密切接触者的摸排力度,确保“排查不漏一户、宣传不漏一人、防控不染一人”;乡村“大喇叭”高声响起,提醒群众“切断传染源,聚会要避免”……一系列疫情防控的过硬措施,绷紧了人们防控疫情的神经,凝聚起齐心协力、群防群治的强大合力,正筑起抗击疫情的铜墙铁壁。

(iv)我们评估了使用具有更高噪声的相关任务( BI-RADS分类)对网络进行预训练的效用,并发现它是管道中一个非常重要的部分,显著提高了我们模型的性能。这在大多数数据集都很小的医学影像研究中特别重要。

另外一位学者Hugh Harvey也为LeCun打call。他表示,谷歌的研究中包含了6名放射科医生,而NYU的研究则用了14名。

图像的高分辨率和GPU的有限内存,限制了我们在使用全分辨率图像作为输入时在模型中使用相对较浅的resnet。为了进一步利用乳腺X线照片中细粒度的细节,我们训练了一个辅助模型来对256×256像素的乳腺X线图片进行分类,预测在给定的patch中是否存在恶性和良性的病灶。

尽管多中心研究表明,传统计算机辅助诊断程序并不能提高诊断效果,但放射科医生还是会使用它来帮助图像判读。深度学习的发展,特别是深卷积神经网络(CNN)为创建新一代类似CAD的工具提供了可能性。

与其同时记者也发现到各地派出的医疗救援队、精锐的医疗天团中不乏有医美医生的身影。西安雁塔女子医院医美外科医生,吉林大学第一医院整形修复医生,越来越多的医美医生参与报名并走上了抗疫前线,集结,誓师,驰援。“当前,湖北、武汉疫情防控正处于胶着对垒状态,那里的群众比任何时候都更需要救治与安慰,也比任何时候都更需要信心与希望。我们整形专业不是急救专业,但是我们一直在为疫情做自己力所能及的工作。” 一位来自医疗救援队的医美医生说道。

乳腺癌是美国女性第二大癌症相关死亡原因。2014年,美国进行了3900多万次筛查和乳腺钼靶诊断检查。据估计,在2015有232000名妇女被诊断为乳腺癌,约有40000人死于乳腺癌。

我们主要根据AUC(ROC曲线下的面积)评估我们的模型对乳腺恶性/非恶性和良性/非良性分类任务的性能。阅片研究模型和阅片者对图像的分类成绩是根据AUC和PRAUC来评估的,这两个是评估放射科医生成绩的常用指标,ROC和PRAUC代表预测模型不同方面的性能。

我们提出了一个用于乳腺癌筛查检查分类的深度卷积神经网络,基于超过200000个乳腺检查(超过1000000个图像)上进行训练和评估。对人群进行筛查检测时,我们的网络在预测乳腺癌存在方面的AUC达到0.895。

在活检亚群中,我们观察到image-only模型与image-and-heatmaps 模型之间的一致性差异。image-and-heatmaps集成模型在恶性/非恶性分类上表现最好,AUC达到0.850,在良性/非良性分类上表现同样最好,AUC达到0.696。与筛查人群相比,活检亚群获得的AUC明显较低,这可以解释为,需要进一步影像学检查和活检的乳腺图像对于放射科医生和我们的模型均具有挑战性。

虽然我们的结果令人满意,但我们实验中使用的测试集相对较小,结果需要进一步的临床验证。

我们将该辅助网络以滑动窗口方式扫描全分辨率乳房X片图像,以创建每张图像的两张热图(图6为一个示例),一张代表每个像素恶性病变概率,另一张代表每个像素良性病变概率。总共,我们获得了八个附加图像:Xm R-CC、Xb R-CC、Xm L-CC、Xb L-CC、Xm R-MLO、Xb R-MLO、Xm L-MLO、Xb L-MLO。这些补丁分类热图可以用作乳腺级别模型的附加输入通道,以提供补充的细粒度信息。

全省当日发热门诊诊疗人数1979人。目前追踪到密切接触者12736人, 已解除医学观察8024人,尚有4606人正在接受医学观察。(完)

我们还发现,ensembling在所有模型中都是有益的,这使得AUC的小而稳定的提升。

image-and-heatmaps模型的四个变体模型集成后,在筛查人群中对良性/非良性预测任务的AUC为0.778,恶性/非恶性预测的AUC为0.899。尽管这种性能优于任何单独的模型,但在实践中运行这样一个由20个独立模型组成的大型集成体将非常昂贵。

我们的回顾性研究得到了机构审查委员会的批准,符合《医疗保险可携带性和责任法案》。这个数据集是我们早期工作中使用的数据集的更大、更仔细的版本。

1) ‘view-wise’模型(图5(a))分别将L-CC和R-CC、L-MLO和R-MLO连接起来。它对CC和MLO视图进行单独的预测,最后将相应的预测取平均值。

ResNet-22的完整架构如图4所示。L-CC和R-CC ResNets、L-MLO和R-MLO ResNets共享权重。我们在输入模型之前翻转了L-CC和L-MLO图像,因此所有乳房图像都是右向的,允许共享的ResNet权重在相同方向的图像上操作。每个ResNet的中间输出是H×W×256维张量,其中H和W从原始输入大小下采样,CC视图H=42,W=31,MLO视图的H=47,W=28。我们在空间维度上对向量进行平均,以获得每个视图的256维隐藏向量。

当前,疫情防控形势不断变化,各项工作也不断面临新情况新问题,牵动全国上下的心。习近平总书记在2月3日的中央政治局常委会会议上强调:“要密切跟踪、及时分析、迅速行动,坚定有力、毫不懈怠做好各项工作。”在党中央集中统一领导下,各级党组织领导班子和领导干部特别是主要负责同志要坚守岗位、靠前指挥,做到守土有责、守土担责、守土尽责。

据不完全统计,强生中国、华熙生物、艾尔建、新氧科技、美莱集团、联合丽格、远想生物、珈溪集团等在内的全国医疗健康系统中的主力军,一直关注疫情的发展,纷纷选择通过不同的方式驰援疫情,代表中国医美行业为国家分忧。

(iii)我们提出了专门为医学成像设计的ResNet的新变体,用作我们网络的构建块,它在深度和宽度上做了平衡,允许模型处理非常大的图像,同时保持合理的内存消耗。

这些patch的标签是由临床医生手动勾画的。我们将此模型称为patch-level模型,与上面一节中描述的对整个乳房图像进行操作的breast-level模型不同。

显然,我们还需要让常规乳腺癌筛查更加准确,并减少对女性身体的伤害。

3) ‘joint’模型(图5(d))连接所有四个视图,共同预测两个乳房的恶性和良性概率。

神经网络已经被证明,即使是在使用噪声标签进行训练时,也能够达到合理的性能水平。我们使用这个特点将用BI-RADS标签学习到的信息迁移到癌症分类模型。我们的实验表明,BI-RADS分类预训练网络对我们模型性能有显著的贡献(见第V-E节)。BI-RADS预训练网络结构如图7所示。

另据新氧颜究所数据显示,新氧APP的用户访问量和DAU均已经接近春节前的水平。该负责人表示:客观上,疫情期间也是机构的重要蓄水期。冰原下并非一无生机,活跃用户量没有伴随交易沉底。用户更加详细的通过新氧社区的产品和工具挑选适合自己的医美项目,同样视频面诊功能也为医美机构有效提升了蓄客能力。

作为参考,我们在表2中显示了ResNet-22的每一层后中间向量的维度。将标准Resnets应用于乳房X光摄影的主要原因是需要处理分辨率非常高的图像,而不需要在GPU限制下进行下采样来拟合前向过程及梯度计算。

本节为筛选人群的结果,不同模型的结果如表3所示。总体而言,四个模型的AUC都较高且基本持平。‘view-wise’image-and-heatmaps集成模型在结构上与预训练阶段使用的BI-RADS模型最为相似,在预测恶性/非恶性方面表现最佳,在筛查人群的AUC为0.895,活检人群的AUC为0.850。

消除侥幸心理、克服麻痹大意,就要防微杜渐、未雨绸缪。平时防患于未然,才能防大患于未至。疫情防控是全方位的工作,必须树立底线思维,强化危机意识。没有发生疫情的地方要防范和查摆侥幸心理,疫情稍有缓解的地方要克服和避免麻痹松懈思想。即使生活和工作逐渐恢复正常,我们也仍要把人民群众生命安全和身体健康放在第一位,仍要把疫情防控措施落实到每一个细节。

此外,将放射科医生对恶性肿瘤的判断结果和我们神经网络的预测结果平均起来的混合模型更加准确。我们将模型在https://github.com/nyukat/breast_cancer_classifier上公开发布。

然而在良性/非良性预测方面,其他一些模型确实优于‘view-wise’集成模型。仅有图像输入的四种模型表现大致相当,低于image-and-heatmaps模型。在恶性/非恶性分类中,image-and-heatmaps模型比良性/非良性分类有更强的改进。

另外,新氧科技2月4日为地处疫情最严重四座城市的医美机构医护人员提供了免费的新冠专项保险。截止目前新氧科技赠送的新冠专项保险已覆盖了3500余名医美机构从业人员,并已扩大到平台全部4000家医美机构,为他们保驾护航,给前线的医务人员提供更多权益,从制度上解决这个问题。

新氧科技已经联合润百颜、颜层、馨妍、百肤谜等品牌厂商面向中国医美机构推出了大力度的减免费用或返货政策,同时给予机构更大力度的消费买赠支持,以帮助线下商业在“春天”迅速复苏。

在我们的实验中,我们针对每个模型训练了五个副本,在全连接层中对权重进行了不同的随机初始化,而剩余的权重则使用BI-RADS分类中预先训练的模型的权重进行初始化。

效果有多好?谷歌论文AI系统中的AUC是0.889(UK)和0.8107(US),纽约大学的AUC达到了0.895。

我们依赖活检的病理报告,来标记患者的每个乳房是否有恶性或良性发现。我们有5832个检查在进行乳腺X片筛查的120天内至少完成一次活检。其中活检证实985例(8.4%)为恶性,5556例(47.6%)为良性,234例(2.0%)乳腺同时有良恶性征象。

对于所有与活检相匹配的检查,我们要求一组放射科医生回顾性地指出活检病灶在像素级别的位置(提供相应的病理报告)。

在所有模型中,我们使用四个基于ResNet的22层网络(ResNet-22)作为中间层,计算每个视图的256维隐藏层向量。与标准ResNets相比,该网络具有不同的深度和宽度比例,可用于分辨率非常高的图像。

由于一些乳腺含有多个可疑的发现,医师被要求对他们认为最可疑的病灶进行评估。我们模型的AUC为0.876,PRAUC为0.318。医师的AUC从0.705到0.860不等(平均值:0.778,标准值:0.0435),PRAUCs从0.244到0.453不等(平均值:0.364,标准差:0.0496)。图8(a)和图8(c)示出了单个ROC和precision-recall 曲线及其平均值。

他表示,谷歌这篇论文的结果,纽约大学的团队在2019年10月就已经做过了,谷歌应当引用纽约大学的研究,因为这个研究效果还更好。

(i) 我们提出了一种新的两阶段神经网络,将全局和局部信息结合起来,并采用适当的训练方法。这使得我们可以使用一个非常高容量的patch-level网络来学习pixel-level标签,同时使用另一个网络来从整体上学习乳房级标签。通过这种策略,我们的模型不仅实现了与人类相当的竞争成绩,同时产生可解释的热图,显示可疑发现的位置。此外,我们还证明了像素级标签的实用性,即使在我们有很多图像级标签的情况下也是如此。

我们把高准确率归因于以下技术进步:

为了将我们的image-and-heatmaps集成模型(以下简称模型)的性能与放射科医生进行比较,我们对14名医师进行了一项阅片研究,其中有12名具有不同经验水平的放射科医生(2至25年),一名住院医生和一名医科学生,分别从测试集(1480个乳腺)中阅读740份检查:368份从活检亚群中随机选择的检查,372份从与活检不匹配的检查中随机选择的检查。医师被要求以0%-100%的比例为每个乳房提供恶性肿瘤的概率估计。

一、网络创新性地分为两个不同阶段的架构和训练过程,我们在使用高容量patch-level网络从pixel-level标签学习的同时,设置另一个网络从整体上学习乳房级标签。 二、基于ResNet的自定义网络,用作我们模型的构建块,其深度和宽度方面的平衡针对高分辨率医学图像进行了优化。 三、在BI-RADS分类上对网络进行预训练,这是一项标签噪音较大的相关任务。 四、在许多可能的选择中以最佳方式组合多个输入视图。为了验证我们的模型,我们组织14位放射科医师进行了阅片,每位医师查看720份乳腺钼靶筛查图像。结果表明,我们的模型与有经验的放射科医生的判断结果一样准确。

中整协相关负责人表示,中国医美产业链从研究、研发、生产、供应到下游的医美服务机构,产业链的每个环节都在努力为抗击疫情做着力所能及的事情。比如产业链中受到重击最大的线下医美服务机构,也纷纷为疫情区域捐赠口罩、消毒液、医用手套等医疗物资,尽管他们开门迎客还待时日,但都在通过实际行动以最小的成本换取疫情带来的损失,尽到自己是责任。

2) ‘side-wise’模型(图5(c))首先连接L-CC和L-MLO,以及R-CC和R-MLO,然后分别对每侧乳腺进行预测。

我们在表3的右半部分显示了模型在活检人群中的评估结果。我们的测试集有401个乳腺,其中339个有良性发现,45个有恶性发现,17个两者均有。活检亚群与总体筛查人群不同,总体筛查人群主要是健康个体,他们每年都要进行常规筛查,而没有其他的影像学或活检。与筛查人群的结果相比,所有模型在活检人群的AUC明显较低。

据了解,由甘肃普锐特生产的3D打印医用护目镜,使用了抗冲击性、双面防雾、双面硬化、防紫外光的定制镜片,同时解决了医护人员佩戴护目镜起雾后无法正常工作的困扰,可反复消毒使用。

我们通过将我们的模型与未使用BI-RADS预训练模型的权重而训练的癌症分类模型的性能相比较,来评价BI-RADS预训练的益处,结果见表三(用*标记)。

然而,记者看到中国的企业公民在对抗疫情上,表现出了顽强的斗志和生命力。中国整形美容协会(以下简称中整协)发出倡议:面对肆虐的疫情,中国医美行业更要为国家分忧,不仅要驰援武汉,更要携手并肩,彼此输氧自救,熬过冬天,迎接春天。

但是过了一天之后,深度学习“三巨头”之一的LeCun就对这项成果开炮。雷锋网对此事也进行了报道:《刚过一天就被拆台?LeCun公开质疑谷歌《Nature》的乳腺癌AI研究成果》

图为3D打印医用护目镜。吕愿圆 摄

我们受Geras等人先前工作的启发,对图5所示的四种不同结构的多视图CNN进行了训练。所有这些网络都由两个核心模块组成:(i)四个特定于视图的列,每个列基于ResNet体系结构,该结构为每个乳腺摄影视图输出固定维度的隐藏层向量表示;(ii)两个全连接层,将计算出的隐藏层向量映射到输出预测。这些模型在如何聚合来自所有视图的中间层以生成最终预测的方式有所不同。

我们发现大约32.8%的检查是隐匿性的,也就是说,活检的病灶在乳腺钼靶摄影中是不可见的,使用其他成像方式识别(超声或MRI)被识别。详见表一。

一些乳腺同时包含恶性和良性病灶,我们使用多任务分类模型将乳腺癌筛查分类。也就是说,对于每一个乳腺,我们分配两个二元标签:乳房中有/没有恶性发现(表示为yR,m和yL,m),乳房中有/没有良性发现(表示为yR,b和yL,b)。左右乳腺加起来,每个检查共有4个标签。我们的目标是生成四个对应于每个标签的预测(用ˆyR,m,ˆyL,m,ˆyR,b和ˆyL,b表示)。

作者称,该系统检测乳腺癌的能力超过专业放射科医生,或有助提高乳腺癌筛查的准确性和效率。

我们还评估了人机混合模型的准确性,其预测是基于放射科医生和模型预测的线性组合。混合模型平均AUC为0.891(标准差:0.0109),平均PRAUC为0.431(标准差:0.0332)(参见图8(b),图8(d))。

1) ‘image-wise’模型(图5(b))独立地对四个视图中的每一个进行预测。相应的预测最后取平均值。

我们坚信,在党中央集中统一领导下,各级党委和政府全面动员、全面部署、全面加强疫情防控工作,全国人民万众一心、众志成城,没有任何风险挑战难得住中国人民。

在下面的实验中,我们在几个不同群体上评估我们的模型,以测试不同的假设:(i)筛查人群,包括来自测试集的所有检查,不进行亚抽样;(ii)活检亚群,这是筛查人群的子集,仅包括接受活检的乳腺筛查人群的检查;(iii)阅片研究亚群,包括活检亚群和未发现任何病灶的筛查人群随机抽样的子集。

兰州新区一3D打印企业15天研发完成了产品的设计和定型,日前生产出首批3D打印医用护目镜,捐赠给兰州新区第一人民医院,并将持续为一线医护人员采集数据定制医用护目镜。目前日产能已达到200副。

我们考虑了以下4种方式。

对于我们的模型,我们从BI-RADS分类任务的预训练网络中迁移学习。我们考虑的三个BI-RADS类是:类别0(“不正常”),类别1(“正常”)和类别2(“良性”)。一些研究解释了用于提取这些标签的算法。尽管这些标签比活检结果噪声更多(是临床医生根据乳房X光片进行的评估,而不是通过活检获得信息),但与训练集中经活检证实的4844次检查相比,我们有99528多个BI-RADS标签的训练示例。

新氧相关负责人接受采访表示:我们看到很多消费者在疫情爆发前就做了医美项目,但是现在被疫情困在家中,术后恢复过程中不论是生理和心理都面临着很大的困难。新氧紧急邀请众多行业名家名师在线为用户提供医美咨询,科普工作,确保24小时在线提供服务。记者了解到疫情期间新氧视频面诊共服务用户超过20000余人。

由于我们数据集中有活检的检查相对较少,我们应用迁移学习来提高模型的稳健性和性能。迁移学习重用在另一个任务上预先训练的模型的一部分作为训练目标模型的起点。

本文的目标是研发神经网络以帮助放射科医生判读乳腺癌筛查图像。

在所有的实验中,我们使用训练集来调整我们的模型参数,使用验证集来优化模型和训练过程的超参数。除非另有说明,否则均是筛选人群的计算结果。为了进一步改进我们的结果,我们采用了模型集成技术,对几个不同模型的预测进行平均,以产生集成的总体预测。

这些结果表明,我们的模型可以作为一个工具来帮助放射科医生阅读乳腺癌筛查检查,并且与有经验的乳腺放射科医生相比,它提供了任务不同方面的信息。在补充材料的I-G-1节中可以找到一个定性分析,比较模型和放射科医生对特定检查的预测结果。

通过利用一个带有breast-level和 pixel-level标签的大型训练集,我们构建了一个能够准确分类乳腺癌钼靶检查的神经网络。我们将这一成功归因于patch-level 模型中封装的大量计算,该模型被应用于输入图像,以形成热图作为breast-level 模型的附加输入通道。使用当前可用的硬件完全以端到端的方式训练此模型是不可能的。

虽然我们主要对预测恶性病灶的存在与否感兴趣,但预测良性病灶的存在与否对于辅助调整模型学习任务起着重要的作用。我们将四个高分辨率图像,对应于四个标准乳腺钼靶摄影视图作为输入(由xR-CC、xL-CC、xR-MLO和xL-MLO表示)。

日前,著名移动互联网研究机构QuestMobile发布《2020中国移动互联网“战疫”专题报告》称疫情促使在线生活迎来爆发:医疗服务类(平安好医生、丁香园)、权威类(央视频发布疫情官方信息APP日活逼近1000万)都有飙涨。由上可以预见,未来疫情过后医疗健康行业将会对国家做出很大的贡献,把健康产业推到一个全新的高度,人们通过疫情将更加认识到健康的重要性。

我们发现“view”模型在验证集上预测恶性/非恶性是最精确的。除非另有说明,否则我们接下来说的都是该模型的结果。

“千丈之堤,以蝼蚁之穴溃;百尺之室,以突隙之烟焚。”成功源自努力,而风险往往产生于麻痹。抗击疫情,最大的敌人是侥幸。稍有不慎就会反弹重复,掉以轻心就会前功尽弃,骄傲自满与盲目自信都要不得。特别是随着外出者返城、学生返校、工人返厂,人员流动逐渐增加,给防控工作带来新的挑战和考验。一旦传染源得不到控制,短时间内就可能酿成大患。抗击疫情,时刻要上紧思想观念的“发条”,始终紧盯容易被忽视的角落、绷紧容易放松的那根弦。唯有思想不侥幸、精神不麻痹,才能掐灭任何可能的风险,切实守护好人民健康。

对于CC视图,我们将每个图像裁剪为固定大小的2677×1942像素,对于MLO视图,裁剪为2974×1748像素。有关示意图,请参见图3。

围绕这一次小小的学术“风波”,雷锋网AI掘金志学术组对纽约大学的这篇论文进行了编译和编辑,看看这篇“先人一步”的论文有何可取之处?

(ii)我们证明了利用超过1000000张高分辨率乳腺X线摄影图像(这是医学成像中的一个非常大的数据集,不仅仅是用于乳腺癌筛查)来训练和评估该网络的可行性。这对于未来的研究设计以及展示这种方法的概念和价值都具有重要价值。

(v) 我们评估了在单一的神经网络中结合来自不同乳腺摄影视图的多种方法。我们未发现以前有过这样的分析,尽管医学成像任务通常有多个输入。

尽管乳腺钼靶是唯一一种可以降低乳腺癌死亡率的影像学检查方法,但大家一直在讨论该筛查的潜在危害,包括假阳性和假阳性导致的活检。10-15%的女性在做了未确定的乳房X光检查后被要求再次接受检查和/或超声波检查以进一步明确。经过额外的影像检查后,许多女性被确定为良性,只有10-20%被推荐接受针活检。其中,只有20-40%的人诊断出癌症。

以下为论文详细内容,关注AI掘金志公众号,在对话框回复关键词“纽约大学”,即可获取原文PDF。

中整协相关负责人告诉记者,中国医美行业是一个完整的生态,行业内各个角色及参与者唇齿相依。疫情面前,产业链上下游积极驰援疫情并扶持机构,相信医美行业上下众志成城,同舟共济,必将携手共渡难关。

有中国医美第一股之称的新氧科技在疫情爆发以来的种种举措,也印证了中整协的倡导。继首轮向武汉捐赠1000万元防疫资金,此轮面向中国医美机构推出超过2000万元五大补贴措施之后,新氧科技正在与中整协联合发起第三轮“战疫”行动:输氧自救。

同时,冰原之下,已经流淌着暖流。

我们要把各种困难和风险估计得严重一些,把解决措施准备得更充分一些,利用好有利条件,化解好不利影响。我们也需要树立面对困难的信心与勇气,以科学态度、严谨方法、锐利眼光透视困难背后的变化,遇事不慌、有备无患,牢牢掌握战胜困难的主动权。唯有充分认识到疫情的严峻形势和危害,从最坏处准备,争取最好的结果,才能逐步形成战胜疫病的压倒性态势。

肿瘤分类深度CNN网络