準確率高達99%！谷歌AI推出新演算法模型，檢測乳腺癌死亡最大「元兇」！

葯明康德AI/報導

近日，來自聖地亞哥海軍醫學中心（Naval Medical Center San Diego）和Google AI的研究人員開發出了一個新的AI系統，利用癌症檢測演算法來自主評估淋巴結活檢，從而對轉移性乳腺癌患者的診斷和治療進行更好的決策。在測試中，這個系統實現了99%的檢測準確度。

為啥乳腺癌死亡率居高不下？

轉移性腫瘤是指癌細胞脫離其起源組織，穿過循環系統或淋巴系統，並在身體其他部位形成新腫瘤，這種情況非常難以檢測。特別是在乳腺癌方面，據估計，全球每年有50萬乳腺癌患者死亡，而其中90%是由於腫瘤轉移導致的。淋巴結轉移會影響患者放療、化療和手術切除淋巴結方面的治療決策。因此，識別淋巴結轉移的準確性和及時性對乳腺癌的臨床治療有著非常重大的影響。

▲乳腺癌成為威脅女性健康的一大殺手（圖片來源：123RF）

然而，過去的研究表明，在進行第二次病理複查時，約四分之一的患者淋巴結轉移的分期會發生變化。在複查時間有限的情況下，單個切片轉移狀況檢測的靈敏度可能會低至38%。因此，快速準確地診斷淋巴結的轉移狀況，成為了挽救轉移性乳腺癌患者生命的關鍵。

新演算法的厲害之處在於？

研究人員開發出了一個名為LYNA的新型AI系統。LYNA基於開源影像識別深度學習模型Inception-v3開發而成，而這個模型在斯坦福的ImageNet數據集上實現了超過78.1%的準確率。它可以將299像素大小的影像輸入模型，在影像中以像素為部門確定腫瘤範圍，將影像貼上「良性」或「惡性」等標籤，並調整模型的演算法權重以減少誤差。

在這個模型基礎上，研究人員對其進行了改進，將LYNA放置於正常組織與腫瘤組織比例為4：1的環境中，並提高了訓練過程的「計算效率」，進而使演算法「看到」了更大的組織多樣性。此外，他們將活檢切片掃描進行了標準化，在更大程度上提高了模型的性能。

▲左圖為淋巴結的切片影像，右圖為LYNA識別該影像中央的腫瘤區域（紅色），並正確地對非腫瘤區域進行分類（藍色）（圖片來源：Google AI blog）

LYNA在實際測試中的表現如何？

研究人員將LYNA應用於淋巴結轉移2016年挑戰數據集（Camelyon16）之中，這個數據集包括來自多個醫學機構的399張完整淋巴結切片影像。同時，研究人員還使用了來自20名患者的108張影像進行測試。在所有的圖片中，研究人員利用其中的160張正常影像和110張腫瘤影像對LYNA進行了訓練，並使用剩下的圖片組成了兩個影像集合，來對演算法模型進行評估。

在測試中，LYNA識別影像的精度達到了驚人的99.3%。當模型的靈敏度閾值被調整以檢測每張幻燈片上的所有腫瘤時，LYNA達到了69%的靈敏度，準確地識別出了評估數據集中的所有40個轉移性腫瘤，中間沒有出現任何假陽性結果。並且，LYNA並沒有受到切片影像中氣泡、不良處理、出血和過度染色等干擾因素的影響，

▲左圖為逐漸放大的淋巴切片影像；右圖藍色標記為演算法識別出的腫瘤區域（圖片來源：《The American Journal of Surgical Pathology》）

在第二項使用LYNA進行的研究中，6名病理學家組成了一個小組，並完成了一項模擬診斷任務。在LYNA的協助下，病理學家們檢測淋巴結轉移所需的時間只有原來的一半。同時，病理學家能夠使用LYNA檢測微小轉移，將漏檢率降低兩倍。這表明人類和演算法可以進行有效的協同工作，其效果要好於讓人類和演算法單獨進行檢測和診斷。

漫長而充滿希望的路線

研究人員在表示，LYNA並不是完美無缺的，它也存在著很多局限性。例如，數據集大小是有限的，並且現有的模擬診斷環境只能檢查每名患者的單個淋巴切片，而不是像完整臨床過程那樣檢測多個切片。

雖然用這些技術幫助醫生和患者的路線是漫長的，但是研究人員仍然樂觀地認為，經過精心驗證和精心設計的深度學習技術和臨床工具，將有助於提高病例診斷的可用性和準確性。未來，研究人員還需要進行進一步的工作，來對LYNA在實際臨床工作流程中和患者結果方面產生的影響進行評估。

參考資料：

[1] Applying Deep Learning to Metastatic Breast Cancer Detection. Retrieved October 15, 2018, from https://ai.googleblog.com/2018/10/applying-deep-learning-to-metastatic.html

[2] Google AI claims 99% accuracy in metastatic breast cancer detection. Retrieved October 15, 2018, from https://venturebeat.com/2018/10/12/google-ai-claims-99-accuracy-in-metastatic-breast-cancer-detection/

[3] Liu, et al., (2018). Artificial Intelligence–Based Breast Cancer Nodal Metastasis Detection. Archives of Pathology & Laboratory Medicine, doi: https://doi.org/10.5858/arpa.2018-0147-OA

[4] Steiner, et al., (2018). Impact of Deep Learning Assistance on the Histopathologic Review of Lymph Nodes for Metastatic Breast Cancer. The American Journal of Surgical Pathology, doi: https://doi.org/10.1097/PAS.0000000000001151

本文來自葯明康德微信團隊，歡迎轉發到朋友圈，謝絕轉載到其它平台。如有開設白名單需求，請在文章底部留言；如有其它合作需求，請聯繫[email protected]。

播放GIF