据VentureBeat报道,转移性肿瘤是一种非常难以检测的肿瘤,这种疾病的癌细胞会从其起源组织中分离出来,通过循环系统或淋巴系统在体内传播,并在身体其他部位形成新的肿瘤。,美国波士顿两家医疗中心对102名乳腺癌患者进行的一项研究发现,1/4患者受到“护理过程失败”的影响,比如体检不充分和诊断测试不完整等。
左侧为包含淋巴结的人体组织幻灯片,右侧为LYNA识别的肿瘤区
全世界每年有50万人死于乳腺癌,估计90%是肿瘤转移造成的。但圣地亚哥海军医学中心和谷歌人工智能(AI)研究部门Google AI的研究人员,已经开发出了一种很有前途的解决方案,这种方案采用癌症检测算法,能够自动评估淋巴结活检。他们的AI系统被称为“淋巴结助手”(简称LYNA)。
在转移性乳腺癌的检测精度测试中,LYNA的准确率达到99%,这比人类病理学家更胜一筹。根据最近的一项评估,在时间有限的情况下,有62%的人类病理学家会错过单个幻灯片上的微小转移迹象。论文的作者写道:“AI算法可以详尽地评估幻灯片上的每个组织贴片。我们提供了一个框架,以帮助执业病理学家评估这些算法,并将其应用到他们的工作流程中(类似于病理学家评估免疫组织化验结果)。”
LYNA是基于开源图像识别深度学习模型Inception-v3开发出来的,该模型在斯坦福大学ImageNet数据集中的准确率超过78.1%。正如研究人员解释的那样,在训练过程中,它以299像素的图像(Inception-v3默认的输入规格)作为输入,在像素水平描述出组织贴片中的肿瘤,提取标签,并调整模型的算法权重以减少误差。
该团队改进了之前发布的算法,将LYNA暴露于正常组织与肿瘤斑块之比为4:1的环境中,并提高了训练过程的“计算效率”,这反过来会促使算法“看到”更多的组织多样性。此外,研究人员还对活检切片扫描的变化进行了规范化,他们说这在更大程度上提高了模型的性能。
研究人员将LYNA应用于检测淋巴结挑战数据集(Camelyon16)的癌症转移诊断,Camelyon16中有399张淋巴结的幻灯片图片,它们来自荷兰拉德堡大学医学中心、荷兰乌得勒支大学医学中心,以及20名患者的的108张单独照片。LYNA被用其中的270张幻灯片(160张正常组织、110张肿瘤)训练,并使用两组评估集来评估其性能,一组由129张幻灯片组成,另一组包括108张幻灯片。
在这些幻灯片测试中,LYNA达到了99.3%的准确率。当模型的灵敏度阈值被调整以检测每张幻灯片上的所有肿瘤时,它显示了69%的灵敏度,准确地识别出评估数据集中的所有40个转移性肿瘤,没有任何假阳性。此外,它不受气泡、处理不良、出血和过度染色等幻灯片伪影的影响。
LYNA并不完美,它偶尔会错认巨细胞、生发癌和骨髓来源的白细胞,也就是所谓的组织细胞,但它的表现比负责评估同样幻灯片的执业病理学家更好。在Google AI和谷歌母公司Alphabet旗下生命科学子公司Verily发表的第二篇论文中,该模型将6名病理学家组成的小组检测淋巴结转移所需时间减半。
未来的工作将研究该算法是否提高了效率或诊断准确性。研究人员写道:“在幻灯片诊断中,LYNA获得了比病理学家更高的敏感性。这些技术可以提高病理学家的工作效率,减少与肿瘤细胞形态学检测相关的假阴性数量。”
谷歌已广泛投资于AI在医疗上的应用。今年春天,谷歌旗下的Medical Brain团队宣称,他们已经开发出了一套AI系统,可以预测患者重新入院的可能性,并在6月份利用该系统预测了两家医院的死亡率,准确率达到90%。今年2月,谷歌和Verily的科学家们创造了一个机器学习网络,可以精确地推断出某个人的基本信息,包括年龄和血压,以及他们是否有罹患心脏病等重大心脏病的风险。
谷歌驻伦敦AI研究部门DeepMind参与了几个与健康相关的AI项目,包括美国老兵事务部正在进行的一项试验,该试验旨在预测病人在住院期间病情何时会恶化。此前,DeepMind与英国国家卫生服务中心(NHS)开发了一种算法,可以搜索失明的早期迹象。在今年早些时候举行的医学图像计算与计算机辅助干预会议上,DeepMind的研究人员表示,他们已经开发出了一种“接近人类表现”的AI系统,能够执行分割CT扫描任务。