轉(zhuǎn)移性腫瘤，指的是癌細(xì)胞脫離其原始組織，通過(guò)循環(huán)或淋巴系統(tǒng)穿過(guò)身體，并在身體的其他部位形成新的腫瘤，這是眾所周知非常難以檢測(cè)的一種腫瘤。2009年，在波士頓，兩家醫(yī)療中心對(duì)102名乳腺癌患者進(jìn)行的一項(xiàng)研究發(fā)現(xiàn)，有四分之一的患者都由于醫(yī)療過(guò)程中“照護(hù)程序”失敗，而受到了不同程度的影響，例如可能是因?yàn)樯眢w檢查不充分和診斷檢查不完整。
全球有50萬(wàn)人因乳腺癌死亡，他們當(dāng)中有90％都是轉(zhuǎn)移性腫瘤。圣地亞哥海軍醫(yī)療中心的研究人員，以及致力于的Google人工智能部門(mén)研究人員，目前開(kāi)發(fā)出了一種可期的解決方案，該解決方案采用癌癥檢測(cè)算法，可自動(dòng)評(píng)估淋巴結(jié)活檢。
他們的AI系統(tǒng)，又被稱為淋巴結(jié)助手（LYNA），一篇發(fā)表在《美國(guó)外科病理學(xué)》雜志上，題為《基于人工智能的乳腺癌淋巴結(jié)轉(zhuǎn)移檢測(cè)》的論文中對(duì)該系統(tǒng)有所描述。在測(cè)試中，它的接收器工作特性（AUC）下面積（一種檢測(cè)精度的測(cè)量）能達(dá)到99％，這是病理檢驗(yàn)師所做不到的。根據(jù)最近的一項(xiàng)評(píng)估，病理檢驗(yàn)師在時(shí)間限制下有62％的時(shí)間發(fā)現(xiàn)不了個(gè)別載玻片上的小轉(zhuǎn)移現(xiàn)象。
該論文的作者寫(xiě)道：“人工智能算法可以詳盡地評(píng)估幻燈片上的每個(gè)組織切片。我們提供了一個(gè)框架，以幫助實(shí)踐中的病理學(xué)家評(píng)估這些算法，并把它們納入自己的工作流程（類似于病理學(xué)家如何評(píng)估免疫組織化學(xué)結(jié)果這樣的內(nèi)容）?！?/p>
LYNA模型是一種開(kāi)源的基于Inception－v3的圖像識(shí)別深度學(xué)習(xí)模型，在斯坦福的ImageNet數(shù)據(jù)集拎已經(jīng)被證明可以實(shí)現(xiàn)78．1％的準(zhǔn)確率。正如研究人員所解釋的那樣，它需要一個(gè)299像素的圖像（Inception－v3的默認(rèn)輸入大小）作為輸入值，然后在像素大小的級(jí)別上顯示出腫瘤的輪廓，并且在訓(xùn)練過(guò)程中，得到標(biāo)簽——即預(yù)測(cè)該組織切片是“良性”還是“腫瘤”，并調(diào)整模型的算法權(quán)重以減少誤差。
該團(tuán)隊(duì)通過(guò)將LYNA模型置于正常切片比腫瘤切片為4：1比例的這樣一個(gè)訓(xùn)練環(huán)境中，并提高訓(xùn)練過(guò)程的“計(jì)算效率”，改進(jìn)了他們先前公布的算法，這使得通過(guò)該算法可以“看到”更多的組織多樣性。此外，他們還對(duì)活檢玻片掃描的變化進(jìn)行了標(biāo)準(zhǔn)化，他們認(rèn)為這可以將模型的性能提升到更高的程度。
研究人員將LYNA模型置于2016年淋巴數(shù)據(jù)集中（Camelyon16）的癌癥轉(zhuǎn)移數(shù)據(jù)環(huán)境里進(jìn)行訓(xùn)練，該數(shù)據(jù)集來(lái)自于Radboud大學(xué)（Nijmegen， the Netherlands）和Utrecht大學(xué)（Utrecht， the Netherlands）的醫(yī)學(xué)中心，里面包含了399個(gè)淋巴結(jié)切片的玻片圖像，以及來(lái)自20名患者的108張圖像。它對(duì)270個(gè)載玻片（160個(gè)正常，110個(gè)腫瘤）進(jìn)行了訓(xùn)練，并使用了兩個(gè)評(píng)估集——一個(gè)由129個(gè)載玻片組成，另一個(gè)由108個(gè)載玻片組成，來(lái)進(jìn)行性能評(píng)估。
在測(cè)試中，LYNA模型實(shí)現(xiàn)了99．3％的載玻片級(jí)精度。當(dāng)調(diào)整模型的靈敏度閾值，來(lái)檢測(cè)每張載玻片上的所有腫瘤時(shí)，其靈敏度為69％，能準(zhǔn)確識(shí)別評(píng)估數(shù)據(jù)集中的全部的40個(gè)轉(zhuǎn)移灶，沒(méi)有任何誤報(bào)。此外，它不受載玻片中的人工制品的影響，例如氣泡，加工不良，出血和過(guò)度涂抹等現(xiàn)象。
LYNA模型并不完美，它偶爾會(huì)錯(cuò)誤地識(shí)別巨細(xì)胞，生發(fā)癌和骨髓，他們來(lái)源于被稱作組織細(xì)胞的白細(xì)胞，但在評(píng)估相同載玻片時(shí)，它的表現(xiàn)的確比病理學(xué)家們更好。在谷歌AI和Verily（谷歌母公司Alphabet的一個(gè)生命科學(xué)子公司）發(fā)表的第二篇論文中，該模型檢測(cè)淋巴結(jié)轉(zhuǎn)移的時(shí)間，與一個(gè)由六位權(quán)威認(rèn)證的病理學(xué)家組成團(tuán)隊(duì)相比的話，縮短了一半。
未來(lái)的工作將圍繞調(diào)查該算法是否能提高效率或診斷準(zhǔn)確性。
研究人員寫(xiě)道，“LYNA模型與病理學(xué)家相比，監(jiān)測(cè)腫瘤敏感度水平更高。這些技術(shù)可以提高病理學(xué)家的生產(chǎn)力，減少腫瘤細(xì)胞形態(tài)學(xué)檢測(cè)方面的假陰性數(shù)量?！?/p>
Google已廣泛投資于人工智能醫(yī)療保健的相關(guān)應(yīng)用程序。今年春天，Mountain View公司的Medical Brain團(tuán)隊(duì)聲稱創(chuàng)建了一個(gè)AI系統(tǒng)，可以預(yù)測(cè)再入院的可能性，并且他們?cè)?月份使用它來(lái)預(yù)測(cè)了兩家醫(yī)院的死亡率，準(zhǔn)確率達(dá)90％。2月份，谷歌和Verily的科學(xué)家創(chuàng)建了一個(gè)機(jī)器學(xué)習(xí)網(wǎng)絡(luò)，可以準(zhǔn)確地推斷出一個(gè)人的基本身體信息，包括他們的年齡和血壓，以及他們是否有患心臟病等重大心臟類疾病風(fēng)險(xiǎn)。
DeepMind，Google在倫敦的人工智能研究部門(mén)，參與了幾項(xiàng)與健康相關(guān)的人工智能項(xiàng)目，其中包括美國(guó)退伍軍人事務(wù)部正在進(jìn)行的一項(xiàng)試驗(yàn)，旨在預(yù)測(cè)患者在住院期間病情的惡化實(shí)踐。此前，它與英國(guó)國(guó)家健康服務(wù)中心合作開(kāi)發(fā)了一種可以尋找早期失明跡象的算法。今年早些時(shí)候，一篇發(fā)表于Medical Image Computing ＆ Computer Assisted Intervention會(huì)議上的論文中，DeepMind的研究人員表示，他們已經(jīng)開(kāi)發(fā)出一種能夠以“近乎人性化”的方式對(duì)CT掃描進(jìn)行劃分的AI系統(tǒng)。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。 ）
