谷歌AI診病新進展：轉移性乳腺癌檢測準確率達99%

10月14日訊息，據VentureBeat報道，轉移性腫瘤是一種非常難以檢測的腫瘤，這種疾病的癌細胞會從其起源組織中分離出來，通過迴圈系統或淋巴系統在體內傳播，並在身體其他部位形成新的腫瘤。2009年，美國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，1/4患者受到“護理過程失敗”的影響，比如體檢不充分和診斷測試不完整等。

▲左側為包含淋巴結的人體組織幻燈片，右側為LYNA識別的腫瘤區

全世界每年有50萬人死於乳腺癌，估計90%是腫瘤轉移造成的。但聖地亞哥海軍醫學中心和谷歌人工智慧(AI)研究部門Google AI的研究人員，已經開發出了一種很有前途的解決方案，這種方案採用癌症檢測演算法，能夠自動評估淋巴結活檢。他們的AI系統被稱為“淋巴結助手”(簡稱LYNA)。

在轉移性乳腺癌的檢測精度測試中，LYNA的準確率達到99%，這比人類病理學家更勝一籌。根據最近的一項評估，在時間有限的情況下，有62%的人類病理學家會錯過單個幻燈片上的微小轉移跡象。論文的作者寫道：“AI演算法可以詳盡地評估幻燈片上的每個組織貼片。我們提供了一個框架，以幫助執業病理學家評估這些演算法，並將其應用到他們的工作流程中(類似於病理學家評估免疫組織化驗結果)。”

LYNA是基於開源影象識別深度學習模型Inception-v3開發出來的，該模型在斯坦福大學ImageNet資料集中的準確率超過78.1%。正如研究人員解釋的那樣，在訓練過程中，它以299畫素的影象(Inception-v3預設的輸入規格)作為輸入，在畫素水平描述出組織貼片中的腫瘤，提取標籤，並調整模型的演算法權重以減少誤差。

該團隊改進了之前釋出的演算法，將LYNA暴露於正常組織與腫瘤斑塊之比為4:1的環境中，並提高了訓練過程的“計算效率”，這反過來會促使演算法“看到”更多的組織多樣性。此外，研究人員還對活檢切片掃描的變化進行了規範化，他們說這在更大程度上提高了模型的效能。

研究人員將LYNA應用於檢測淋巴結2016年挑戰資料集(Camelyon16)的癌症轉移診斷，Camelyon16中有399張淋巴結的幻燈片圖片，它們來自荷蘭拉德堡大學醫學中心、荷蘭烏得勒支大學醫學中心，以及20名患者的的108張單獨照片。LYNA被用其中的270張幻燈片(160張正常組織、110張腫瘤)訓練，並使用兩組評估集來評估其效能，一組由129張幻燈片組成，另一組包括108張幻燈片。

在這些幻燈片測試中，LYNA達到了99.3%的準確率。當模型的靈敏度閾值被調整以檢測每張幻燈片上的所有腫瘤時，它顯示了69%的靈敏度，準確地識別出評估資料集中的所有40個轉移性腫瘤，沒有任何假陽性。此外，它不受氣泡、處理不良、出血和過度染色等幻燈片偽影的影響。

LYNA並不完美，它偶爾會錯認鉅細胞、生髮癌和骨髓來源的白細胞，也就是所謂的組織細胞，但它的表現比負責評估同樣幻燈片的執業病理學家更好。在Google AI和谷歌母公司Alphabet旗下生命科學子公司Verily發表的第二篇論文中，該模型將6名病理學家組成的小組檢測淋巴結轉移所需時間減半。

未來的工作將研究該演算法是否提高了效率或診斷準確性。研究人員寫道：“在幻燈片診斷中，LYNA獲得了比病理學家更高的敏感性。這些技術可以提高病理學家的工作效率，減少與腫瘤細胞形態學檢測相關的假陰性數量。”

谷歌已廣泛投資於AI在醫療上的應用。今年春天，谷歌旗下的Medical Brain團隊宣稱，他們已經開發出了一套AI系統，可以預測患者重新入院的可能性，並在6月份利用該系統預測了兩家醫院的死亡率，準確率達到90%。今年2月，谷歌和Verily的科學家們創造了一個機器學習網路，可以精確地推斷出某個人的基本資訊，包括年齡和血壓，以及他們是否有罹患心臟病等重大心臟病的風險。

谷歌駐倫敦AI研究部門DeepMind參與了幾個與健康相關的AI專案，包括美國老兵事務部正在進行的一項試驗，該試驗旨在預測病人在住院期間病情何時會惡化。此前，DeepMind與英國國家衛生服務中心(NHS)開發了一種演算法，可以搜尋失明的早期跡象。在今年早些時候舉行的醫學影象計算與計算機輔助干預會議上，DeepMind的研究人員表示，他們已經開發出了一種“接近人類表現”的AI系統，能夠執行分割CT掃描任務。