Google 醫療 AI 新進展，轉移性乳腺癌辨識準確率已達 99%

據外媒 VentureBeat 報導，Google 的 AI 研究人員和聖地牙哥海軍醫學中心已經合作開發出一種能使用癌症檢測演算法自動評估淋巴結活檢的解決方案，並在轉移性乳腺癌的檢出上達到 99% 的辨識精準度。

1974 年，福特接任尼克森成為美國總統，而在 6 週後，第一夫人貝蒂·福特向全世界宣布她被確診患有乳腺癌，將接受根治性乳房切除術以消除腫瘤。福特公開宣布其診斷情況的勇敢決定，打破女性對乳腺癌的沉默，促使數百萬婦女坦然面對接受篩查，這也使得全球女性乳腺癌檢出率大幅度上升。

四十多年後的今天，乳腺癌已經成了全球女性中發病和死亡均居首位的惡性腫瘤，在全球已確診的女性癌症病例中，大約四分之一是乳腺癌。

WHO 的最新報告稱，全世界每年約有 50 萬女性死於乳腺癌，其中大約有 90% 都是轉移性腫瘤。轉移性腫瘤常常難以檢測，這種疾病的癌細胞會從其起源組織中分離出來，透過循環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，而且一旦發生腫瘤轉移，根治難度就會加大，死亡率也會大幅提高。

所以，如何提早檢測出轉移性腫瘤就成了幫助女性擺脫癌症夢魘的關鍵。

據了解，Google 和聖地牙哥海軍合作開發的這個 AI 系統被稱為「淋巴結助手」（簡稱 LYNA）。

在《美國外科病理學雜誌》中，研究人員針對這個系統發表「基於人工智慧的乳腺癌淋巴結轉移檢測」的論文。論文寫到，在轉移性乳腺癌的檢測精度測試中，LYNA 的準確率達到 99%，超過人類的檢測準確率。

LYNA 是基於開源圖像辨識深度學習模型 Inception-v3 開發出來的。

該模型在史丹佛大學 ImageNet 資料集中的準確率能超過 78.1%，相關研究人員解釋，在訓練過程中，它以 299 像素的圖像（Inception-v3 默認的輸入規格）做為輸入，在像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。

後來，該團隊改進了之前發表的演算法，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性能。

提高病理學家的工作效率

研究人員訓練模型時將 LYNA 模型放置於 2016 年癌症細胞檢測競賽（Camelyon16）的癌症轉移數據環境裡，該資料集來自於 Radboud 大學和 Utrecht 大學醫學中心，裡面包含了 399 個淋巴結切片的玻片圖像，以及來自 20 名患者的 108 張圖像。它對 270 個載玻片（160 個正常，110 個腫瘤）進行了訓練，並使用了兩個評估集──一個由 129 個載玻片組成，另一個由 108 個載玻片組成，來進行性能評估。

在測試中，LYNA 達到了 99.3% 的幻燈片級精準度。當調整模型的靈敏度閾值以檢測每張載玻片上的所有腫瘤時，其靈敏度為 69%，準確辨識評估資料集中的所有 40 個轉移病灶，沒有任何誤報。

此外，它不受測試樣品中的其他因素影響，例如氣泡、加工不良、出血等。

當然，LYNA 並不完美。它偶爾會錯認巨細胞、骨髓來源的白血球，也就是所謂的組織細胞，但它的表現已經比負責評估同樣幻燈片的專業病理學家好太多了。

在 Google AI 和 Google 母公司 Alphabet 旗下生命科學子公司 Verily 發表的第二篇論文中，該模型就將 6 名病理學家組成的小組檢測淋巴結轉移所需要的時間減少了一半。

「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。」研究人員寫道。

未來，研究人員將繼續研究該演算法是否提高了效率或診斷準確性。

（本文由 雷鋒網 授權轉載；首圖左為包含淋巴結的人體組織幻燈片，右為 LYNA 辨識的腫瘤區；來源：Google）