工具链接：http://neuralrad.com
为了实现这一项目，Coolwulf 搭建了一个 50 块 GPU 的集群。
CoolWulf 对于 Neuralrad 的介绍
去年的时候，我一个在芝加哥比我小几级的南京大学校友去世了。乳腺癌，发现得晚了，才 34 岁，留下了一个 4 岁的孩子。非常可惜。想想能不能做点什么事情可以帮助大众来提高乳腺癌的早期检测成功率。因为如果在 stage 1 发现乳腺癌的话，5 年存活率是 99%。
想想能否写一个完全免费的网站和 ios app 来让用户可以迅速得到 X-ray Mammogram 的诊断结果。至少可以是 2nd Opinion. 因为用户做完 Mammography 之后有时候需要等好几天才能有 Radiologist 来读片子。而且现在 Radiologist 有 20% 的概率会漏掉早期的肿瘤。我决定用 Deep Learning (深度学习) 来做这件事情。
对于一个足够好的 Deep Learning Model, 一是要有足够多的数据 (即使是做 Transfer Learning 的情况下), 二是要有足够强大的计算力。为了做成这件事情，我在本地搭建了一个 50 个 Nvidia Geforce GTX 1080 Ti 的 GPU cluster, 这是搭成之后的硬件:
有了硬件之后就是设计 Model 和收集数据。我从北美和欧洲的几个研究组获取了 Annotated Breast Mammo 的数据。这些 Annotation 大多都是根据北美 ABR certified 的 Radiologist 做出的。也就是如果这个 Model 能够训练好，就可以达到 ABR Certified Radiologist 的 Reading 的平均水平或者更好。
最终的结果我在欧洲的 InBreast 数据上做了测试，达到了 90% 的准确度 (AUC)。
我觉得这个 Model 已经可以给大众实用了，在这里公开出来。
你可以直接上传 .jpg 形式的 Mammo 图片，这个 AI 会给出判断结果。下面是使用时的截图：
这个网站是完全免费使用的。我现在还在继续更新和改进 Model, 也在联系国内的几家医院来合作来获取更多的数据来 Training。
University of Kentucky Hospital 和国内的一家合作公司已经在测试了这个模型。
乳腺癌检查去年有个全世界竞赛，他们先用这个竞赛获得第二名程序测试了 MIAS 数据，漏了 10 个 case, 然后他们用我的网站测试了一下，只漏了一个。
这个第二名程序发表了一篇自然杂志的论文：
https://www.nature.com/articles/s41598-018-22437-z
这两天，我也公布了完全免费的桌面版本，支持读取和浏览 dicom 文件，并自动转换 Normalize for AI analysis. 在 InBreast 的 Dicom 数据上 AUC（准确率）大概 93%。桌面版本截图：
下载地址就在网页主页上。
此工具一经放出，立即引来了人们的关注，大家对于作者希望通过技术改变陌生人健康的想法感到钦佩，同时也有人希望向作者提供更多的脱敏数据帮助训练机器学习模型，以进一步提高医疗图片的识别精度。
Q&A
面对人们对于 AI 检测工具的各种疑问，Coolwulf 表示：
1. 出于显而易见的原因，该工具并不能用于诊断，它仅能帮助人们建立乳房安全意识。不过，作者希望放射科医师也可以开始尝试使用这种工具，并相信这种工具有助于医生在诊断时更有信心。
2. 很多研究表明 20％-30％被诊断出的癌症可以在盲审者的早筛检查中找到。误报虽然是一个问题，不过假阳性和假阴性只是 AI 图像检测的代价而已，假阴性肯定比假阳性有更大的危险。错过恶性病变总比让病人去做活检要麻烦很多。
3. 目前，作者正在训练第二代乳房 X 射线照片检测模型，其将实现 BiRads 分类预测。作者希望它在保持低假阴性（目前出现的几率已经非常低）的表现时也可以减少假阳性发生的几率。
4. 该项目是完全由作者自己出资搭建的。
5. 想使用该网站，你可以输入任何 jpg 格式的乳房 X 射线照片图像。如果想使用 Win X64 版应用程序，则还可以使用 dicom 格式——该格式的 X 光片会在本地自动转换为 jpg 格式的图片并用于检测。由于使用的是常规图片格式，没有像 dicom 的标题信息，所以检测过程中没有使用到患者信息。同时，在分析过后，所有 jpg 图片都会被服务器删除。
