李根 發自 凹非寺
量子位 報道 | 公衆号 QbitAI
Google AI大戰乳腺癌，現在進入2.0時代。
在最新公布的進展中，Google深度學習算法在轉移性乳腺癌的檢測精度測試中，準确率達到了99.3%。
毫無疑問，這是人類醫師難以企及的準确率。根據最近一項評估，人類病理檢驗師，在時間限制下，有62%的時間發現不了個别載玻片上的小轉移現象。
更早之前，2017年，Google的醫療AI，就在乳腺癌診斷中表現超過了人類專業病理檢驗師。
如今，Google AI一小步，乳腺癌檢測一大步。
轉移性乳腺癌
首先，什麼是轉移性乳腺癌？
可以從轉移性惡性良性腫瘤說起，指的是癌細胞脫離其原始組織，通過循環或淋巴系統穿過身體，并在身體的其他部位形成新的惡性良性腫瘤。
在醫學領域，這是一種知非常難以檢測的一種惡性良性腫瘤。
2009年，在波士頓，兩家醫療中心對102名乳腺癌患者進行的一項研究發現，有四分之一的患者都由于醫療過程中“照護程式”失敗，而受到了不同程度的影響，例如可能是因為身體檢查不充分和診斷檢查不完整。
全球範圍内，有50萬人因乳腺癌死亡，他們當中有90％都是轉移性惡性良性腫瘤。
但現在，AI帶來希望。
Google醫療AI團隊，聯合美國聖地亞哥海軍醫療中心，基于深度學習開發出了一種可期的解決方案——檢測算法，可自動評估乳腺癌患者淋巴結活檢。
之是以從淋巴結檢測入手，是因為從淋巴結取出的組織可以檢測乳腺癌患者的癌細胞是否已擴散到乳房之外。
而且在乳腺癌中，淋巴結轉移會影響關于放射治療、化療以及可能需要手術切除額外淋巴結等情況的治療決策。
是以，對淋巴結轉移進行準确、及時地識别對臨床護理具有重要影響。
然而，研究表明，約1\4 的轉移性淋巴結的分期在第二次病理檢查的過程中會發生改變，而且，當檢查時間有限時，單個載玻片上小轉移的檢測靈敏度可能降低至 38%。
是以，是時候介紹今日主角了。
Google醫療AI打造的工具名為：LYmph Node Assistant或簡稱LYNA。
也可以稱為：淋巴結助手。
LYNA
這項Google醫療AI的最新研究，他們共發了2篇論文。
第一篇發表于《病理學和檢驗醫學檔案期刊》(Archives of Pathology and Laboratory Medicine），論文題為：基于人工智能的乳腺癌淋巴結轉移檢測：對病理學家黑匣子的檢測。
第二篇發表于《美國外科病理學雜志》(The American Journal of Surgical Pathology），論文題為：深度學習輔助對轉移性乳腺癌淋巴結組織病理學檢查的影響。
Google團隊說，在第一篇論文中，他們不再運用算法從Camelyon Challenge癌症細胞區域檢測競賽和準許用于研究。
他們在聖地亞哥海軍醫療中心的共著者提供的獨立資料集中識别病理載玻片。
由于這個額外的資料集來自不同實驗室，經過了不同處理過程的病理樣本組成，是以該資料集提升了正常臨床實踐中的病理載玻片和人工制品的多樣性。
LYNA證明了其能夠在圖像可變性和大量組織學特征上能夠被穩定應用，并且在無需更多研發的情況下，在兩個資料集中實作了相似的性能。
如上圖所示，左側：包含淋巴結的載玻片有多個組學僞影：左邊較暗區域是氣泡，白色條紋是切割組學僞影，一些區域的紅色顯示出血（含有血液），組織已經壞死（衰竭），治療品質較差。右側：LYNA 識别出惡性良性腫瘤區域在中央（呈紅色），并正确地對非惡性良性腫瘤區域進行分類（呈藍色） 。
在兩個資料集中，LYNA 能夠以 99% 的正确率區分出有轉移性癌症的載玻片和無轉移性癌症的載玻片。
此外，在每個載玻片内，LYNA 能夠準确地查明癌症及其他可能患有癌症的位置，其中一些由于體積太小而不能被病理學家檢測到。
是以，Google團隊推斷 LYNA 的一個潛在效果可能是——重點标出這些區域，供病理學家在檢查和作出最後診斷時參考。
在第二篇論文中，6 名有美國醫生從業執照的專科病理學家完成了一項模拟診斷，在診斷中，他們分别在有LYNA的協助下和在沒有LYNA的協助下對轉移性乳腺癌的淋巴結進行檢查。
對于這種檢測小轉移（也可稱為微小轉移）的複雜的診斷，由于 LYNA 的使用，平均縮短了一半的時間，每張載玻片需要約一分鐘的時間，而不再是兩分鐘，使人在主觀上覺得“更簡單”（根據病理學家的診斷難度自我報告）。
如上圖所示，左側：在逐漸增大的放大倍數下，含有小轉移性乳腺惡性良性腫瘤淋巴結的載玻片的樣本視圖。右側：相同視圖在使用LYNA輔助後用藍青色标注出惡性良性腫瘤的位置。
Google團隊說，這表明 LYNA 等輔助技術具有令人興奮的潛力，它可以減輕重複識别的負擔，讓病理學家能夠把更多的時間和精力專注于其他更具挑戰性的臨床和診斷工作。
在診斷的準确性方面，病理學家在研究中使用 LYNA 能夠更準确地檢測微轉移，将從檢測中遺漏的微轉移率降低兩倍。
而且更關鍵的是，使用 LYNA協助的病理學家比沒有使用LYNA協助的病理學家，或者比僅僅依靠 LYNA 算法本身的情況能夠達到更準确的效果，這表明人們使用算法協助工作更有效率，比單獨使用某一種檢測方法實作更好的效果。
結論
最後，上結論。
Google說，通過這些研究，在展示LYNA算法的穩健性（用以支援乳腺癌TNM分期的一個組成部分）和評估其在概念驗證診斷設定中的影響方面取得了進步。
這些進去非常令人振奮，但同時利用此類技術幫助醫生及患者從科研試驗到臨床實踐的過程中還有很長的路要走。
同時，這些研究有很大的局限性，比如有限的資料庫、模拟的診斷工作流程、僅單獨檢查每個患者的單個淋巴結的病理載玻片，而不是實際臨床病例中常見的檢查多個淋巴結病理載玻片等。
Google還說，團隊需要進一步評估LYNA1對實際臨床工作流程和治療結果的影響。
但是，經過仔細試驗論證過的深度學習技術和精細設計的臨床工具可以改善全球病理學家診斷的準确性和實用性，他們仍然保持樂觀。
作者系網易新聞·網易号“各有态度”簽約作者
— 完 —