2016年6月16日,美国Newswise新闻网站(www.newswise.com)发布消息称,人工智能可以帮助医生将癌症的诊断准确率提升至99.5%。
病理学家们仍然在沿用过去使用了100年的方式来诊断疾病,即手动检查显微镜下的图像。但新的工作表明,计算机可以帮助医生提高检测的准确性,并极大地改变癌症和其他疾病的诊断方法。
贝斯以色列女执事医疗中心(Beth Israel Deaconess Medical Center,BIDMC)的一个研究小组和哈佛医学院(HMS)最近开发了一个人工智能(AI)系统,旨在训练计算机解读病理图像,以帮助病理诊断随着人工智能驱动系统的长期发展而变地更加准确。贝斯以色列女执事医疗中心肿瘤研究所的生物信息学主任和哈佛医学院病理学家Andrew Beck解释说:“我们的人工智能方法是基于深度学习和机器学习算法,其主要用于各种包括语音识别和图像识别在内的应用。这种方法可以教会机器如何通过构建多层人工神经网络来解释现实生活数据中复杂的模式和结构。这一过程被认为与大脑皮层神经元中多层次神经网络的学习过程有相似性。”
Beck研究小组的方法在最近的生物医学成像国际研讨会年会(ISBI)组织的竞赛中通过了测试,其内容涉及通过检查淋巴结的图像来决定其中是否含有乳腺癌。该研究小组在arXiv.org网站发布了技术报告,以描述他们的方法。据Andrew Beck解释,判断患者是否患有淋巴结癌是病理学家的一个非常重要的常规任务。通过显微镜观察,筛选数以百万计的正常细胞,以确定少数几个恶性细胞是非常费力的常规方法。他们认为这是一个可以由计算机胜任的任务,而事实证明他们是正确的。
在一个客观的评估过程中,研究者们面对多个包含淋巴结细胞的幻灯片,要确定它们是否包含癌症。研究团队的自动诊断方法能够在92%的时间内给出正确结论,这个结果几乎与人类病理学家的96%的准确率相当。但Andrew Beck表示,真正令人兴奋的事情是,当研究人员将病理分析与自动计算结合用于诊断时,可以将诊断精度提高到99.5%。这两种方法相结合,将极大地减少出错几率。
该团队利用深层多层卷积网络训练计算机,以区分恶性肿瘤和良性肿瘤。一位相关研究人员表示:“在我们的方法中,首先需要处理数百张幻灯片。在这些幻灯片中,病理学家已经对癌细胞和正常细胞作了标记。然后,我们提取数以百万计的这种小例子,并利用深度学习算法建立一个计算模型来对它们进行分类。然后,团队对那些计算机容易犯错误的案例进行确认,并使用更大数量的更困难的训练实例重新训练计算机。这样,计算机的性能就会不断提高。
Andrew Beck说:“有很多理由认为使用数字化图像和机器学习可以帮助病理学家更快、更准确地为患者做出更精准的诊断。这是病理学领域过去30年内的一个重大任务。但直到最近,改进的扫描效率、存储效率、处理效率和新算法才使得这一任务有了明显进展。我们在ISBI竞赛中的结果表明了什么样的计算机工作才是真正的智能,而人类与计算机的联合解释将带来更精确和更有价值的可用于指导治疗决策的临床诊断。
Beck及其小组成员已成立了一家初创公司(PathAI),其主要目标是发展和应用可处理病理学任务的人工智能技术。