日本发明自发捕捉癌症特征的AI新技术，有望用于高精度复发预测

本项目负责人 山本 阳一郎

目前人工智能技术（Artificial Intelligence, AI）已经广泛应用到我们日常生活的各个领域中，小到文字翻译、语音助手，大到自动驾驶、智能家电，我们的生活也因AI变得更加便利和有趣，而小编今天在日本网站上看到一篇文章，提出将AI技术用于癌症检测，并且目前日本医学界十分盛行将AI和医疗结合的研究，接下来就和小编一起来看把！

此次共同研究小组纠集了来自日本理化学研究所、日本医科大学等院校的医学界大拿，他们通过无数次深度学习和非层次聚类（一种机器学习方法，可将数据分为几类，而无需某些层次结构）成功开发出一种新型AI技术，能够自动从病理图像中抓取人类能够理解的信息。

在此之前医疗领域广泛应用的AI技术是一种叫做“监督学习”的方法，也就是说AI比较“笨”，只能学习医生教过的诊断方法，这种方法的局限性在于AI无法超出医生所传授的知识界限，无法进行更多的分类。而本研究发明的AI具有不需要医生进行诊断的“无监督学习”特征，可以将信息转化为更容易理解的形式，并且在癌症复发期自动给AI赋予最高权重，旨在获得有关癌症的未知信息，在以前这都是无法想象的。

研究人员使用这项新技术，在没有医生诊断信息的情况下分析超过100亿像素的前列腺病理图像（大约相当于11亿张AI学习用的分割图像）。结果，AI能够仅从病理图像和预后信息中就能自动提取详细的癌症信息。该AI创建的分类包括当前全球范围内使用的癌症分类（格里森分级），此外，此前专家们从未意识到间质性改变也被认为是一种提高癌症复发诊断准确性的功能，用到了这款AI中。

其次，为了确定AI能否根据这些癌症的特点进行复发预测，日本医科大学医院用该院20年间共计13，188张前列腺病理图像（相当于860亿张AI学习用分割图像），进行了癌症预后预测准确性的验证。结果表明AI和目前全球通用的前列腺癌症诊断标准(AUC[11] = 0.744)相比能够更精确(AUC = 0.820)地进行复发预测。

研究小组进一步实验，调查只学习日本医科大学医院病例的AI能否适用于圣玛丽安娜医院和爱知医科大学医院。用这两家医院共计2276张前列腺病理画像进行了验证，结果发现在这两家医院也能达到和日本医科大学医院几乎相同的复发预测精准度(AUC = 0.845)。这就表明此次开发的AI技术已经超越了设施和地域，具有学习普遍化信息的能力。

图一：手法的基本原理

在无医生诊断信息的图像上应用“无监督学习”的深度学习，捕捉背后数据结构特征。由于AI抓取的特征由人类无法直接理解的数字罗列而成，因此以数值的规律性为线索，用新开发的技术将其转换为人类可以理解的高分辨率图像信息后，再由AI对这些图像执行最佳加权（赋予意义）。

图2:前列腺病理标本连续切片的3d病理图像

左边的3d病理图像上的红色区域，是AI在没有人为干预的情况下，自主发现癌症特征的部分。与3d病理图像上的黄色区域对应的癌症特征被AI提示为弱放大图像(右上)和强放大图像(右下)。

图3:关于前列腺癌复发的预测精度的比较(AUC)

图中数值显示了前列腺癌术后一年内生化学复发的AUC。左边是机构内验证数值（日本医科大学），右边是机构外适用性验证（圣玛丽安娜医科大学医院和爱知医科大学医院）数据。

成果意义

这次的AI技术可以说是医疗领域的一大突破，小编认为好处可以具体分为以下三点：

一．提高诊断精确率

此次的AI技术能够从富含信息量的图像中，抓取转化为人类能够理解的信息，获得超越现有标准的全新知识。就实验结果来看，目前此项技术的精准度已经超过了全球通用的诊断标准。此后日本的体检、诊断精度都会得到进一步提升。

二．推动医疗均质化

如果这项技术能够推广到日本的大小医院，那么将来日本不论是大医院还是小诊所医疗水平都不会差距很大，年轻医生也能在AI帮助下做出和老医生差不多的判断。在医疗水平差距不大的情况下，民众看病会变得更加轻松便利，医疗费用也会缩减。

三．个性化医疗

本研究成果可以通过大数据分析，用算法为患者制定最适合的个性化疗法。根据患者的身体状况、年龄甚至性格制定的疗法，可能才是真正的“对症下药”。

小编不得不感叹，日本在医疗方面再次领先我们一步，我们需要走的路还有很长很长~