新型冠狀病毒到達馬薩諸塞州的時候，康斯坦斯·勒曼被迫改變麻省綜合醫院的乳腺癌篩查方法。 因為害怕病毒，很多人為了定期檢查和掃描而即將來醫院。 因此，在雷曼擔任共同所長的中心，透過活用AI的演算法，開始預測誰的癌症發病風險最高。

光靠AI無法拯救患者:制定促進醫生理解和交流的機制的重要性

雷曼說，感染擴散開始以來，約有20，000名女性疏忽了定期檢查。 通常，每1,000名接受檢查的女性中，就有5人發現癌症徵兆。 她說:“也就是說，100人沒有被診斷出有可能是癌症。”

據雷曼介紹，在經過AI特定後接受說服來定期檢查的很多女性身上，發現了癌症的初期徵兆。 根據演算法被標記的女性患癌症的機率是沒有的女性的3倍。 對此，據說用以往的統計方法無法進行超過隨機值的預測。

該演算法是分析過去的乳房攝影影象的，在以前的掃描中醫生沒有發現危險徵兆的情況下似乎也可以發揮作用。 雷曼說:“AI完成的是我眼睛和大腦無法提取的資訊。”

研究者們一直主張在醫用影像處理中利用AI進行分析的有效性，有些工具已經在醫療現場應用。 雷曼與麻省理工學院( MIT )的研究者們共同從幾年前就開始了關於將AI應用於癌症篩選的方法的研究。

但是，作為正確預測風險的方法的AI，可能比這更有前景。 在乳腺癌檢查中，有時不僅透過乳房攝影檢查前癌病變，還透過收集患者的資訊，並把兩者套用在統計模型上，判斷隨訪檢查的必要性。

在新型冠狀病毒流行之前，MIT的博士研究生亞當·雅拉就負責開發萊曼使用的演算法“Mirai”。 他說，使用AI的目的是促進早期發現，減少假陽性的壓力和成本。

在開發MirAI時，雅拉必須克服困擾放射科引進ai的其他專案的問題。 為此，他使用敵對學習的方法。

這是一種設計為一種演算法欺騙另一種演算法的方法，修正了因輻射裝置的不同而導致有相同乳腺癌風險的患者計算出不同分數的可能性。 另外，據說為了彙總幾年的資料而設計了模型，結果精度比以往資料少的方法高了。

MIT演算法分析標準的4面乳房攝影影象，從中推測手術史和閉經等激素因素等未收集較多的患者資訊。 如果醫生還沒有收集這些資料，這將很有用。 研究的詳細情況在學術雜誌《Science Translational Medicine》上於2021年1月27日刊登的論文中概述。

AI專家和醫生合作的重要性

結果表明，Mirai比通常用於判斷女性乳腺癌風險的統計模型更準確。 利用過去的患者資料進行比較，5年內罹患癌症的人有42%透過演算法被判定為高風險，而在現有的最佳統計模型中為23%。

表明演算法在臺灣和瑞典患者的資料中也有效發揮了作用，適用於廣泛的患者。 雅拉表示，由於此次使用大規模且足夠多樣的資料集進行的研究獲得了令人鼓舞的結果，因此演算法似乎具有通用性，但在不同條件下進一步驗證演算法的有效性是很重要的。

埃默裡大學醫學部放射科助教朱迪·瓦維拉·吉喬亞說，這次研究表明了AI專家和醫生之間合作的重要性。 她計劃對MIT的演算法進行附加試驗，計劃在實際現場使用之前先用自己的患者資料進行仔細驗證。

賓夕法尼亞大學的教授、研究放射線醫學的查爾斯·卡恩指出，新型冠狀病毒對定期醫療護理產生了很大的影響。 他同時也是學術雜誌《Radiology》的編輯。 “大爆發期間人們不去的不僅僅是美髮沙龍。 這嚴重地影響了我們的健康。”

為了沒能充分接受醫療的人們

Khan表示，使用麻省綜合醫院驗證的AI的方法，可能有助於更明確地向每個患者展示發病風險的治療個性化，甚至有助於篩選計劃的定製。 另一方面，他擔心演算法的運用也可能會導致偏差的治療。 “可能會以意想不到的方式受到影響”

新型冠狀病毒以各種形式改變了醫療方式。 例如，由於加速了遠端醫療的引進，一些社群比其他社群受益更多。

雷曼希望透過自己驗證的AI進行篩選，能夠惠及迄今為止未能充分接受醫療的人們。 “就好像出生以來流行病一直持續著一樣，從保健系統中灑落下來的人很多。 她說:“這些人得不到高質量的醫療，也沒有進行過篩選。”