这项研究基于IBM在国际乳腺X线摄影(DM)DREAM挑战赛中获得的结果，来自FísicaCorpus Instituto deFísicaCorpuscular(IFIC，CSIC-UV)的研究人员与UPV电信研究所的科学家一起参加了这项国际竞赛和多媒体应用程序(iTEAM)。

来自IFIC和iTEAM UPV的研究人员团队是唯一完成挑战的西班牙团队。为此，他们开发了基于卷积神经元网络的预测算法，这是一种人工智能技术，可以模拟视觉皮层的神经元并允许对图像进行分类以及系统的自学习。在该小组拥有多项专利的情况下，还应用了与解释X射线有关的原理。巴伦西亚小组的结果以及其他决赛入围者，现在都发表在《美国医学协会杂志》(JAMA Network Open)上。

UPV的终身教授，iTEAM组成员Alberto Albiol说：“参与这一挑战使我们的团队能够与瓦伦西亚的临床团体在人工智能项目中进行合作。”他补充说：“这为我们应用本文所建议的机器学习技术提供了机会。”

例如，由瓦伦西亚研究人员进行的工作是在Artemisa中进行的，Artemisa是Fésica语料库研究所新的人工智能计算平台，由欧盟和瓦伦西亚研究中心资助，在2014年瓦伦西亚共同体FEDER运作计划内-2020年用于收购R + D + i基础设施和设备。

IFIC的研究人员，研究的参与者Francisco Albiol指出：“设计策略以降低医疗保健的运营成本是可持续应用人工智能的目标之一。”他说：“从算法部分到与医疗领域共同设计基于证据的策略所面临的挑战。人工智能的大规模应用是使医疗保健可持续发展的最有希望的技术之一。”

数字化乳腺摄影(DM)DREAM挑战赛的目标是让广泛的国际科学界(来自世界各地的1200多名研究人员)参与评估人工智能算法是否可以等同于或改进由以下人员进行的乳腺摄影的解释：放射科医生。

Sage Bionetworks计算肿瘤学副总裁兼DREAM Challenges总裁Justin Guinney解释说：“这次DREAM Challenge允许在两个独立的数据库中对数十种高级深度学习算法进行严格而适当的评估。”

在美国，每年的乳房X光照片减少了50万

由IBM Research，Sage Bionetworks和Kaiser Permanente Washington Research Institute领导的数字乳房X线摄影DREAM挑战得出的结论是，没有一种算法本身能超越放射线医师，专家评估中添加的多种方法提高了考试的准确性。华盛顿Kaiser Permanente华盛顿(KPW)和瑞典卡罗林斯卡研究所(KI)提供了成千上万的乳腺X线照片和临床数据。

IBM董事Gustavo Stolovitzky说：“我们的研究表明，将人工智能算法与放射线医生的解释相结合，每年可能有50万女性不必进行不必要的诊断测试。”该项目专门致力于Thomas J. Watson研究中心的转化系统生物学和纳米技术，并且是DREAM Challenges的创始人。

为了保证数据的私密性并防止参与者下载带有敏感数据的乳房X线照片，研究的组织者将模型中的工作系统应用于数据。在系统中，参与者将算法发送给组织者，组织者开发了将其直接应用于数据的系统。

Kaiser Permanente Washington Health Research Institute的Diana Buist保证：“对共享数据的关注特别具有创新性，对于保护数据的隐私至关重要。”“此外，包含来自不同国家的数据以及采用不同的乳房X线照片实践的数据，表明在不同人群上使用人工智能的方式存在重要的翻译差异。”

乳房X线照片是乳腺癌早期检测中最常用的诊断技术。尽管这种检测工具通常是有效的，但放射线医师必须对X光检查进行评估和解释，放射线医师使用其人类视觉感知来识别癌症迹象。因此，据估计，在美国，每年接受定期乳房X线照片检查的4000万女性中，假阳性率为10%。

“有效的人工智能算法可以提高放射科医生减少重复不必要检查的能力，同时还可以检测出临床上重要的癌症，这将有助于增加乳房X线照片的检测价值。