图灵奖得主 LeCun 用来怼 Google 的乳腺癌 AI 论文，有何过人之处？(19)_2020年的第一天

【图8（d）】

结论和讨论

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。

此外，尽管我们的模型在阅片研究特定任务上的性能比放射科医生的强，但是放射科医生执行的任务不仅仅于此。通常情况下，乳房X光摄影只是诊断流程中的第一步，放射科医生结合其他影像科检查后，才能做出最终的决定。

然而，在我们的研究中神经网络和放射科医生的混合模型分别优于这两个模型，这表明使用这种模型可以提高放射科医生对乳腺癌检测的敏感性。