当一个组织或器官的癌细胞变成转移性肿瘤时,通过人体的循环或淋巴系统,它们可以在人体的其他部位形成新的肿瘤。

转移性肿瘤通常极难检测得到。2009 年一项报告指出,波士顿两个医院的 102 个乳腺癌患者中,1/4 的病人因“护理过程”不足而受影响。乳腺癌在全世界每年造成约 50 万人死亡,其中 90% 是转移性乳腺癌所导致的。

圣迭戈 Naval Medical Center(海军医疗中心)和 Google AI 的研究人员发展出一个癌症检测算法,可以自主评估淋巴结活检。

所开发的 AI 系统称作 Lymph Node Assistant(淋巴结助理,LYNA)。测试中,LYNA 的 AUC——一种精准度评估参数——达 99%,表现优于人类病理学家。去年发表在《JAMA》上的一篇论文指出人类在限时状况下的准确度约为 62%。那篇论文的主题是对比各种深度学习算法在评估女性乳腺癌淋巴结转移方面的表现。

本研究结果发表在《美国外科病理学杂志》(The American Journal of Surgical Pathology)。

LYNA 是基于开源的图像识别深度学习模型 Inception-v3 而开发的。研究人员输入一张 299 像素的照片,在像素级别概述肿瘤,训练过程中,从组织贴片提取“良性”或“肿瘤”的标签,是为预测。随后对算法权重进行调整以降低错误率。

研究人员改进了此前已发表的算法,表现在:LYNA 所应对的是正常:肿瘤贴片比例 4:1 的状况;训练过程的计算效率得到改善;活组织检查扫描变量归一化处理使模型表现更佳。

研究人员把 LYNA 应用到淋巴结癌细胞转移 2016 调整数据集(Camelyon16)上,取得 99.3% 的切片级准确度;当模型敏感阈调整到检测每一个切片的肿瘤时,它展现出 69% 的灵敏度,识别出评估数据集中所有的 40 个转移,无一遗漏。切片的人为因素比如气泡、出血、过度染色等不影响模型效果。

LYNA 不足之处是经常会错误识别出巨细胞、生殖癌细胞和骨髓白细胞,但其在评估切片方面的表现要好于一个训练有素的病理学家。Google AI 和 Verily 在发表的第二篇论文中报告说,模型减少了一个由六个病理学家组成的小组一半的时间去检测淋巴结转移。

未来的工作是考察算法是否提升了效率或诊断精准度。此技术可能应用于帮助病理学家提升工作效率,减少与肿瘤细胞形态学检测有关的假阴性数量。

Google 在 AI 医疗方面有持续的投入。此前,Google 的研究人员开发出 AI 来预测医院病人死亡率或出院后再入院的可能性,甚至推测一个人的基本健康信息及其罹患心脏病的风险。

位于伦敦的 DeepMind 参与了若干与 AI 相关的健康项目,包括一个正在进行的美国退伍军人事务部(VA)的试验,他们使用机器学习预测病人在住院期间何时病情恶化,双方合作希望解决急性肾损伤(AKI)的严重后果。DeepMind 还和英国国民保健署(NHS)在使用算法探测失明的早期迹象方面有合作,据报道称 AI 的表现几乎与人类相当。

你的表情