Google 医疗 AI 新进展，转移性乳腺癌辨识准确率已达 99%

▼

据外媒 VentureBeat 报道，Google的 AI 研究人员和圣地牙哥海军医学中心已经合作开发出一种能使用癌症检测演算法自动评估淋巴结活检的解决方案，并在转移性乳腺癌的检出上达到 99% 的辨识精准度。

1974 年，福特接任尼克森成为美国XX，而在 6 周后，第一夫人贝蒂福特向全世界宣布她被确诊患有乳腺癌，将接受根治性乳房切除术以消除肿瘤。福特公开宣布其诊断情况的勇敢决定，打破女性对乳腺癌的沉默，促使数百万妇女坦然面对接受筛查，这也使得全球女性乳腺癌检出率大幅度上升。

四十多年后的今天，乳腺癌已经成了全球女性中发病和死亡均居首位的恶性肿瘤，在全球已确诊的女性癌症病例中，大约四分之一是乳腺癌。

WHO 的最新报告称，全世界每年约有 50 万女性死于乳腺癌，其中大约有 90% 都是转移性肿瘤。转移性肿瘤常常难以检测，这种疾病的癌细胞会从其起源组织中分离出来，透过循环系统或淋巴系统在体内传播，并在身体其他部位形成新的肿瘤，而且一旦发生肿瘤转移，根治难度就会加大，死亡率也会大幅提高。

所以，如何提早检测出转移性肿瘤就成了帮助女性摆脱癌症梦魇的关键。

据了解，Google 和圣地牙哥海军合作开发的这个 AI 系统被称为“淋巴结助手”（简称 LYNA）。

在《美国外科病理学杂志》中，研究人员针对这个系统发表“基于人工智慧的乳腺癌淋巴结转移检测”的论文。论文写到，在转移性乳腺癌的检测精度测试中，LYNA 的准确率达到 99%，超过人类的检测准确率。

LYNA 是基于开源图像辨识深度学习模型 Inception-v3 开发出来的。

该模型在史丹佛大学 ImageNet 资料集中的准确率能超过 78.1%，相关研究人员解释，在训练过程中，它以 299 像素的图像（Inception-v3 默认的输入规格）做为输入，在像素水平描述出组织贴片中的肿瘤，提取标签，并调整模型的演算法权重以减少误差。

后来，该团队改进了之前发表的演算法，将 LYNA 暴露于正常组织与肿瘤斑块之比为 4：1 的环境中，并提高了训练过程的“计算效率”，这反过来会促使演算法“看到”更多的组织多样性。此外，研究人员还对活检切片扫描的变化进行了规范化，他们说这在更大程度上提高了模型的性能。

提高病理学家的工作效率

研究人员训练模型时将 LYNA 模型放置于 2016 年癌症细胞检测竞赛（Camelyon16）的癌症转移数据环境里，该资料集来自于 Radboud 大学和 Utrecht 大学医学中心，里面包含了 399 个淋巴结切片的玻片图像，以及来自 20 名患者的 108 张图像。它对 270 个载玻片（160 个正常，110 个肿瘤）进行了训练，并使用了两个评估集──一个由 129 个载玻片组成，另一个由 108 个载玻片组成，来进行性能评估。

在测试中，LYNA 达到了 99.3% 的幻灯片级精准度。当调整模型的灵敏度阈值以检测每张载玻片上的所有肿瘤时，其灵敏度为 69%，准确辨识评估资料集中的所有 40 个转移病灶，没有任何误报。

此外，它不受测试样品中的其他因素影响，例如气泡、加工不良、出血等。

当然，LYNA 并不完美。它偶尔会错认巨细胞、骨髓来源的白血球，也就是所谓的组织细胞，但它的表现已经比负责评估同样幻灯片的专业病理学家好太多了。

在 Google AI 和 Google 母公司 Alphabet 旗下生命科学子公司 Verily 发表的第二篇论文中，该模型就将 6 名病理学家组成的小组检测淋巴结转移所需要的时间减少了一半。

“在幻灯片诊断中，LYNA 获得了比病理学家更高的敏感性。这些技术可以提高病理学家的工作效率，减少与肿瘤细胞形态学检测相关的假阴性数量。”研究人员写道。

未来，研究人员将继续研究该演算法是否提高了效率或诊断准确性。

（本文由 雷锋网 授权转载；首图左为包含淋巴结的人体组织幻灯片，右为 LYNA 辨识的肿瘤区；来源：Google）

▼

   特别声明    本页内容仅供参考，版权终归原著者所有，若有侵权，请联系我们删除。