如何用深度學習來檢測前列腺癌患者?
全文共1876字,預計學習時長4分鐘
大約九分之一的美國男性會患上前列腺癌,使其成為男性群體中最為常見的一種癌症。雖然常見,但前列腺癌通常都是非侵入性的,這就導致難以確定癌症是否已對患者構成足夠大的威脅,無法確定是否需要進行譬如前列腺切除術或者化療這樣的治療。
格里森評分(Gleason grade)是對前列腺癌患者進行“風險分級”的一個關鍵要素,即在顯微鏡下觀察組織切片,依據癌細胞與正常前列腺細胞的相似度對癌細胞進行評分。
谷歌AI健康部門技術主管 Martin Stumpe和產品經理Craig Mermel撰寫文章稱,儘管其臨床價值被廣泛承認,格里森前列腺癌評分系統仍然十分複雜與主觀。
研究報告顯示,在病理學家之間產生的分歧在30%-53%之間。此外,合格的病理學家的數量不足以滿足全球對前列腺癌病理檢測的需求,尤其是在美國以外的地區。
最近的工作指南還建議病理學家在最終報告中說明不同格里森模式下腫瘤的比例,這不僅增加了工作量,也成為了病理學家們的另一個主觀挑戰。
總的來說,這些問題表明,在改進前列腺癌的診斷與臨床治療方面,使用基於深度學習的模型不失為一種解決方案。這也與谷歌和其它企業類似,它們使用這類技術來展示其在提高轉移性乳腺癌檢測能力方面的潛力。
谷歌AI探究了深度學習能否提升前列腺切除樣本格里森評分的準確性與客觀性,並開發了一套深度學習系統(DLS),可反映出病理學家的工作流程。
首先將切片中的每一個區域分別對應至格里森模式中,低階的模式與近似正常的前列腺腫瘤相對應。DLS會基於其中出現的兩種最常見的格里森模式,總結歸納出一個總體格里森評分(overall Gleason grade group)。評分越高,未來癌症惡化的風險就越高,患者從治療中獲益的可能性也越大。
為了開發及驗證DLS,谷歌AI收集了匿名前列腺切除樣本圖片,其中所包含的前列腺癌細胞的數量與多樣性遠超穿刺活檢樣本,儘管後者在臨床實踐中更為常見。
在訓練資料中,一個由32名病理學家組成的小組提供了詳盡的格里森模型註釋(共超過1.12億張註釋影象),且每一張影象均附有一份總體格里森評分。為了減少先前格里森評級參考變化率的影響,每一個驗證集的切片都由3至5名一般病理學家(從29人中選出)進行評分,並且為了獲得切片的真實情況,會由泌尿生殖專科病理學家進行最終評分。
最終,DLS的總體準確度達到了70%,而參與研究的獲得美國職業認證的普通病理學家的平均準確率只有61%。在與十位高水平、獨立的一般病理學家的對比中,DLS的準確率高於其中8位,他們都對驗證集中每一個樣本進行了評分。在格里森模式定量中,DLS也比一般病理學家更為準確。格里森評分的這些改進使其成為了更好的臨床風險分級手段:相較於普通病理學家,DLS能夠在術後更好地分辨出具有更高疾病復發風險的病人,使醫生能夠憑藉這些資訊為患者提供更好的治療。
DLS與病理學家之間的評分比較。a: DLS準確度(紅色)與29名病理學家平均準確度比較(綠色)。誤差線顯示95%的置信區間。b: 風險評級比較,資料來自DLS、29名病理學家及泌尿生殖專科病理學家。根據格里森評分,患者被分為低風險組和高風險組,風險組之間的Kaplan-Meier曲線分離越大,評級越好。
研究發現,DLS能夠表徵介於兩個格里森模式之間的組織形態,這也解釋了病理學家之間評分差異的來源,展示了進行更加細緻的前列腺癌“精確評分”的可能性。由於這些中間模式的(例如格里森模式3.3或3.7)臨床意義尚不明確,DLS準確性的提升將為進一步研究相關問題提供便利。
評估DLS的區域水平分類。a: 三位病理學家的標註與DLS預測之間的對比。在腫瘤區域位置與程度方面,病理學家顯示出一般一致性,但是在格里森模式分類中表現不佳。DLS的精準格里森模型在各個區域都是由格里森模式3(綠)、4(黃)、和5(紅)的DLS預測模式之間的插值進行表示。b: DLS預測模式與病理學家格里森模式分類的分佈比較,測試資料來自測試資料集中4100萬個帶註釋的影象。對於病理學家之間存在分歧的影象,組織更像是介於兩種模式之間,DLS會在其預測評分中反應出相關不確定性。
初步的結果十分鼓舞人心,但是要想將DLS之類的系統應用於改善前列腺癌患者的護理,還任重而道遠。
首先,模型的準確性還需通過附加訓練資料進一步提高,同時應當使用包含更豐富多樣化的獨立患者群體進行驗證。
另外,谷歌AI正在積極改善DLS系統,使之能應用於穿刺活體檢測診斷中。穿刺活檢之後才會決定是否進行手術,因此格里森評分對於臨床決策會產生更深的影響。還需要進一步評估如何更好的將DLS與病理學家的診斷流程相整合,以及這種基於人工智慧的輔助手段對格里森評分在臨床實踐中的整體效率、準確性和預後能力的影響。
儘管如此,這些技術潛力無疑能夠大幅改善癌症診斷與患者的治療。
留言 點贊 發個朋友圈
我們一起分享AI學習與發展的乾貨
編譯組:王天雨、韋振琛
相關連結:
https://ai.googleblog.com/2018/11/improved-grading-of-prostate-cancer.html