当Google AI成精，瘤细胞便无处可藏（ZT）

marrowstem

# c3 q- P) s8 g' M5 k3 ~) t
7 ?. A* Y- c; W% _( x4 u4 w3 w* [
      Google AI大战乳腺癌，现在进入2.0时代。
2 ^$ g2 z/ n5 r    在最新公布的进展中，Google深度学习算法在转移性乳腺癌的检测精度测试中，准确率达到了99.3%。
' N  m. D$ V1 ?. j- {3 Y    毫无疑问，这是人类医师难以企及的准确率。根据最近一项评估，人类病理检验师，在时间限制下，有62%的时间发现不了个别载玻片上的小转移现象。
- i; ?7 h8 c9 ~4 A  C) [+ K9 I    更早之前，2017年，Google的医疗AI，就在乳腺癌诊断中表现超过了人类专业病理检验师。9 `8 o7 X- |) ]% b" a" T
    如今，Google AI一小步，乳腺癌检测一大步。6 E4 j3 X" Y# a" z( x9 F
# |. U5 o( y1 u
转移性乳腺癌 * M& ]: ~9 E- m$ t" d. t
   首先，什么是转移性乳腺癌？
; i. O# p& A  B  L6 {) F! C   可以从转移性肿瘤说起，指的是癌细胞脱离其原始组织，通过循环或淋巴系统穿过身体，并在身体的其他部位形成新的肿瘤。
0 P0 y2 P; }' X. F: V   在医学领域，这是一种知非常难以检测的一种肿瘤。
% p0 T2 {  S; ?+ E: I   2009年，在波士顿，两家医疗中心对102名乳腺癌患者进行的一项研究发现，有四分之一的患者都由于医疗过程中“照护程序”失败，而受到了不同程度的影响，例如可能是因为身体检查不充分和诊断检查不完整。1 {* w$ `6 I4 L3 z- ]
   全球范围内，有50万人因乳腺癌死亡，他们当中有90％都是转移性肿瘤。8 l! J7 ^: s6 f, S
    但现在，AI带来希望。
4 D# ^" O  L* z% w8 t8 o# Z' Z# `    Google医疗AI团队，联合美国圣地亚哥海军医疗中心，基于深度学习开发出了一种可期的解决方案——检测算法，可自动评估乳腺癌患者淋巴结活检。4 ^$ n5 g' p; A$ X
    之所以从淋巴结检测入手，是因为从淋巴结取出的组织可以检测乳腺癌患者的癌细胞是否已扩散到乳房之外。8 Q. d& P* w$ f! P
    而且在乳腺癌中，淋巴结转移会影响关于放射治疗、化疗以及可能需要手术切除额外淋巴结等情况的治疗决策。/ C, U( ]% y: _' o1 @" H, Y
    因此，对淋巴结转移进行准确、及时地识别对临床护理具有重要影响。' K$ V; @. B4 T
    然而，研究表明，约14 的转移性淋巴结的分期在第二次病理检查的过程中会发生改变，而且，当检查时间有限时，单个载玻片上小转移的检测灵敏度可能降低至 38%。
8 ]) B7 a; R7 N/ C    所以，是时候介绍今日主角了。
* D$ O1 i7 l1 e# O4 q* n   Google医疗AI打造的工具名为：LYmph Node Assistant或简称LYNA。也可以称为：淋巴结助手。3 L# x0 ?" B) {$ N  R) N2 b

- a9 H1 i  N7 f* KLYNA . g2 Y* N+ [' a
     这项Google医疗AI的最新研究，他们共发了2篇论文。4 D* o5 ]" q) _) _/ F# t# m
   第一篇发表于《病理学和检验医学档案期刊》(Archives of Pathology and Laboratory Medicine），论文题为：基于人工智能的乳腺癌淋巴结转移检测：对病理学家黑匣子的检测。
0 ~" `& U, b: z6 j8 D" _   第二篇发表于《美国外科病理学杂志》(The American Journal of Surgical Pathology），论文题为：深度学习辅助对转移性乳腺癌淋巴结组织病理学检查的影响。; n0 A: I$ c) X5 E( y
    Google团队说，在第一篇论文中，他们不再运用算法从Camelyon Challenge癌症细胞区域检测竞赛和批准用于研究。
% h0 i/ k% W( |% J    他们在圣地亚哥海军医疗中心的共著者提供的独立数据集中识别病理载玻片。, _% B. p  R8 {! P
    由于这个额外的数据集来自不同实验室，经过了不同处理过程的病理样本组成，所以该数据集提升了常规临床实践中的病理载玻片和人工制品的多样性。5 r. t7 w" w( ]/ ~" U
   LYNA证实了其能够在图像可变性和大量组织学特征上能够被稳定应用，并且在无需更多研发的情况下，在两个数据集中实现了相似的性能。
( m- u* Y2 I4 `+ B 5 D2 G5 [- h5 Q: I. w
如上图所示，左侧：包含淋巴结的载玻片有多个组学伪影：左边较暗区域是气泡，白色条纹是切割组学伪影，一些区域的红色显示出血（含有血液），组织已经坏死（衰竭），治疗质量较差。右侧：LYNA 识别出肿瘤区域在中央（呈红色），并正确地对非肿瘤区域进行分类（呈蓝色） 。
5 ^5 p* _0 @( r# T! n. b# e  r4 ^4 E( ?5 z, N0 L
    在两个数据集中，LYNA 能够以 99% 的正确率区分出有转移性癌症的载玻片和无转移性癌症的载玻片。
& {% i! J5 _/ ?% f. Y    此外，在每个载玻片内，LYNA 能够准确地查明癌症及其他可能患有癌症的位置，其中一些由于体积太小而不能被病理学家检测到。& ]. m# w& c: ?& `: m  D
    因此，Google团队推断 LYNA 的一个潜在效果可能是——重点标出这些区域，供病理学家在检查和作出最后诊断时参考。
: e" F2 ]' @9 i: R* F5 M     在第二篇论文中，6 名有美国医生从业执照的专科病理学家完成了一项模拟诊断，在诊断中，他们分别在有LYNA的协助下和在没有LYNA的协助下对转移性乳腺癌的淋巴结进行检查。
/ O! e$ q; T5 q; J# I1 u) k/ ^     对于这种检测小转移（也可称为微小转移）的复杂的诊断，由于 LYNA 的使用，平均缩短了一半的时间，每张载玻片需要约一分钟的时间，而不再是两分钟，使人在主观上觉得“更简单”（根据病理学家的诊断难度自我报告）。
% T8 ~5 n. b; z    Google团队说，这表明 LYNA 等辅助技术具有令人兴奋的潜力，它可以减轻重复识别的负担，让病理学家能够把更多的时间和精力专注于其他更具挑战性的临床和诊断工作。6 H& i( C0 u+ \: r5 y1 p) B3 p+ B: W' n
    在诊断的准确性方面，病理学家在研究中使用 LYNA 能够更准确地检测微转移，将从检测中遗漏的微转移率降低两倍。- ?/ A* N. B8 ^% \
    而且更关键的是，使用 LYNA协助的病理学家比没有使用LYNA协助的病理学家，或者比仅仅依靠 LYNA 算法本身的情况能够达到更准确的效果，这表明人们使用算法协助工作更有效率，比单独使用某一种检测方法实现更好的效果。
* L0 ]$ ]& i4 w6 Q& `# G6 n
% U# ]/ ^$ v# D5 X. }% ^结论 , T1 M9 L# C1 A* P( h8 u5 q
    最后，上结论。( }* O5 a6 u: c& j2 L
    Google说，通过这些研究，在展示LYNA算法的稳健性（用以支持乳腺癌TNM分期的一个组成部分）和评估其在概念验证诊断设置中的影响方面取得了进步。
# O0 d! O9 @$ G" u    这些进去非常令人振奋，但同时利用此类技术帮助医生及患者从科研试验到临床实践的过程中还有很长的路要走。7 K. j' V7 l6 K1 ^+ _& w+ H
    同时，这些研究有很大的局限性，比如有限的数据库、模拟的诊断工作流程、仅单独检查每个患者的单个淋巴结的病理载玻片，而不是实际临床病例中常见的检查多个淋巴结病理载玻片等。
( C! _8 S) k" ^, W1 _    Google还说，团队需要进一步评估LYNA1对实际临床工作流程和治疗结果的影响。7 X- O3 q! _3 Y/ }( n: L
    但是，经过仔细试验论证过的深度学习技术和精细设计的临床工具可以改善全球病理学家诊断的准确性和实用性，他们仍然保持乐观。/ N+ i1 X+ J+ T5 l+ s
6 Z0 m2 Z  n( n1 a- B3 A- S