深度学习技术将乳癌诊断的误差率降低 85%

要说医师与病患对于乳癌诊断的结果有着什么盼望，应该就是想要一个可靠的结果。

对于科学家来说，想要跟上排山倒海而来之乳癌研究资料的脚步，着实是件难题。再加上用于分析资料的诸般方法，让科学家要提出可靠的预测内容更是难上加难。

一支来自哈佛医学院贝斯以色列女执事医疗中心（BIDMC）的研究团队，在 2016 Camelyon Grand Challenge 竞赛活动里运用深度学习技术来克服了这项难题。这项由国际生医影像年会（ISBI）举行的竞赛，旨于判断算法怎么协助病理学家在淋巴结影像里更精准地找出癌细胞。

这支来自 BIDMC 的研究团队出现戏剧性的结果，病理学家以采用 GPU 技术的深度学习方法进行分析时，将人类在诊断方面的误差率降低 85%。

结合病理学与人工智能

这支由病理学助理教授暨 BIDMC 癌症研究所生物信息部门主任 Andrew Beck 领军的研究团队，运用人工智能领域的最新进展以协助病理学家解决这些棘手的问题。

Beck 说：“我们的目标是建立一套运算系统，协助找出淋巴结里的癌症转移区域。我们的引导性假设是病理学家跟计算机配合，会比病理学家单独作业会有更佳的表现。”

这支团队在进行这项研究计划时，使用 NVIDIA Tesla K80 GPUs 搭配 cuDNN 加速 Caffe 深度学习架构，Beck 说此举大幅加快训练其运算模型的速度。

研究团队取得数百万个标示为癌症或正常的小型切片影像，接着使用那些样本来训练模型找出区域内有癌细胞的机率，最终建立肿瘤机率热图。

研究结果掷地有声

该团队的系统成功辨识癌症的比例达 92%，创下令人刮目相看的成果。虽然未达人类病理学家 96% 的成功辨识率，其优异表现也足以在 Camelyon Grand Challenge 竞赛活动的两个类别里获得冠军。

这也证明了团队的假设：人类的分析能力加上深度学习结果，达到 99.5% 的成功率，意指人类病理学家搭配人工智能系统能提高分析能力，象征在辨识和治疗癌症方面出现重大进展。

这支研究团队不断增进其算法，近期在分析评估组的精准度上达到 97.1% 的水平，超越人类病理学家的表现。

受到研究成果的鼓励，Beck 跟同事成立了一家名为 PathAI 的新创公司，着重于发展和应用人工智能技术，以提高诊断能力。

“这项成果极有意义，未来我们会看到更多人工智能结合传统病理学的例子，让诊断结果更为精确、标准化和具有预测性。”Beck 说。