乳腺癌是女性癌症相关死亡的主要原因。它也很难诊断。将近十分之一的癌症被误诊为非癌症，这意味着病人可能会失去关键的治疗时间。另一方面，一个女人做的乳房X光片越多，她越有可能看到假阳性的结果。经过10年的年度乳房X光检查，大约三分之二的没有癌症的病人会被告知他们会接受侵入性干预，最有可能是活组织检查。

乳腺超声弹性成像（Breast ultrasound elastography）是一种新兴的成像技术，它通过非侵入性的方式评估其硬度来提供潜在乳腺病变的信息。与传统的成像模式相比，使用更精确的信息来了解乳腺癌与非癌病变的特征，这种方法已经证明了更高的准确性。然而，这一过程的关键是一个复杂的计算问题，它可能耗时且麻烦。但是如果我们依赖于算法的指导呢？

美国南加州大学维特比工程学院（USC Viterbi School of Engineering Hughes）航空和机械工程系教授阿萨德•奥贝莱（Assad Oberai）等利用相关数据和力学的物理定律，可以确定如硬度等力学特性的空间分布。在此之后，从分布中识别和量化适当的特征，最终将肿瘤分类为恶性或良性。

癌性乳腺组织有两个关键特性：异质性（heterogeneity），这意味着有些区域是软的，有些区域是硬的；非线性弹性（non-linear elasticity），这意味着纤维在被拉时有很大的抵抗力，而不是与良性肿瘤最初相关的特性。知道了这一点，奥贝莱创建了基于物理的模型，显示了这些关键特性的不同水平。然后，他使用从这些模型派生的数千个数据输入来训练机器学习算法。

How artificial intelligence can be used to more quickly and accurately diagnose breast cancer

https://www.sciencedaily.com/releases/2019/07/190712151928.htm

Journal Reference:

1. Dhruv Patel, Raghav Tibrewala, Adriana Vega, Li Dong, Nicholas Hugenberg, Assad A. Oberai. Circumventing the solution of inverse problems in mechanics through deep learning: Application to elasticity imaging. Computer Methods in Applied Mechanics and Engineering, 2019; 353: 448 DOI: 10.1016/j.cma.2019.04.045