准确率高达99%！谷歌AI推出新算法模型，检测乳腺癌死亡最大“元凶”！

药明康德AI/报道

近日，来自圣地亚哥海军医学中心（Naval Medical Center San Diego）和Google AI的研究人员开发出了一个新的AI系统，利用癌症检测算法来自主评估淋巴结活检，从而对转移性乳腺癌患者的诊断和治疗进行更好的决策。在测试中，这个系统实现了99%的检测准确度。

为啥乳腺癌死亡率居高不下？

转移性肿瘤是指癌细胞脱离其起源组织，穿过循环系统或淋巴系统，并在身体其他部位形成新肿瘤，这种情况非常难以检测。特别是在乳腺癌方面，据估计，全球每年有50万乳腺癌患者死亡，而其中90%是由于肿瘤转移导致的。淋巴结转移会影响患者放疗、化疗和手术切除淋巴结方面的治疗决策。因此，识别淋巴结转移的准确性和及时性对乳腺癌的临床治疗有着非常重大的影响。

▲乳腺癌成为威胁女性健康的一大杀手（图片来源：123RF）

然而，过去的研究表明，在进行第二次病理复查时，约四分之一的患者淋巴结转移的分期会发生变化。在复查时间有限的情况下，单个切片转移状况检测的灵敏度可能会低至38%。因此，快速准确地诊断淋巴结的转移状况，成为了挽救转移性乳腺癌患者生命的关键。

新算法的厉害之处在于？

研究人员开发出了一个名为LYNA的新型AI系统。LYNA基于开源图像识别深度学习模型Inception-v3开发而成，而这个模型在斯坦福的ImageNet数据集上实现了超过78.1%的准确率。它可以将299像素大小的图像输入模型，在图像中以像素为单位确定肿瘤范围，将图像贴上“良性”或“恶性”等标签，并调整模型的算法权重以减少误差。 

在这个模型基础上，研究人员对其进行了改进，将LYNA放置于正常组织与肿瘤组织比例为4：1的环境中，并提高了训练过程的“计算效率”，进而使算法“看到”了更大的组织多样性。此外，他们将活检切片扫描进行了标准化，在更大程度上提高了模型的性能。 

▲左图为淋巴结的切片图像，右图为LYNA识别该图像中央的肿瘤区域（红色），并正确地对非肿瘤区域进行分类（蓝色）（图片来源：Google AI blog）

LYNA在实际测试中的表现如何？

研究人员将LYNA应用于淋巴结转移2016年挑战数据集（Camelyon16）之中，这个数据集包括来自多个医学机构的399张完整淋巴结切片图像。同时，研究人员还使用了来自20名患者的108张图像进行测试。在所有的图片中，研究人员利用其中的160张正常图像和110张肿瘤图像对LYNA进行了训练，并使用剩下的图片组成了两个图像集合，来对算法模型进行评估。

在测试中，LYNA识别图像的精度达到了惊人的99.3%。当模型的灵敏度阈值被调整以检测每张幻灯片上的所有肿瘤时，LYNA达到了69%的灵敏度，准确地识别出了评估数据集中的所有40个转移性肿瘤，中间没有出现任何假阳性结果。并且，LYNA并没有受到切片图像中气泡、不良处理、出血和过度染色等干扰因素的影响，

▲左图为逐渐放大的淋巴切片图像；右图蓝色标记为算法识别出的肿瘤区域（图片来源：《The American Journal of Surgical Pathology》）

在第二项使用LYNA进行的研究中，6名病理学家组成了一个小组，并完成了一项模拟诊断任务。在LYNA的协助下，病理学家们检测淋巴结转移所需的时间只有原来的一半。同时，病理学家能够使用LYNA检测微小转移，将漏检率降低两倍。这表明人类和算法可以进行有效的协同工作，其效果要好于让人类和算法单独进行检测和诊断。

漫长而充满希望的道路

研究人员在表示，LYNA并不是完美无缺的，它也存在着很多局限性。例如，数据集大小是有限的，并且现有的模拟诊断环境只能检查每名患者的单个淋巴切片，而不是像完整临床过程那样检测多个切片。

虽然用这些技术帮助医生和患者的道路是漫长的，但是研究人员仍然乐观地认为，经过精心验证和精心设计的深度学习技术和临床工具，将有助于提高病例诊断的可用性和准确性。未来，研究人员还需要进行进一步的工作，来对LYNA在实际临床工作流程中和患者结果方面产生的影响进行评估。

参考资料：

[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

本文来自药明康德微信团队，欢迎转发到朋友圈，谢绝转载到其它平台。如有开设白名单需求，请在文章底部留言；如有其它合作需求，请联系[e-mail]。

更多精彩文章：