谷歌醫療AI又有新進展：轉移性乳腺癌檢測準確率達99％

李根 發自 凹非寺

量子位 報道 | 公眾號 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深度學習演算法在轉移性乳腺癌的檢測精度測試中，準確率達到了99.3%。

毫無疑問，這是人類醫師難以企及的準確率。根據最近一項評估，人類病理檢驗師，在時間限制下，有62%的時間發現不了個別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，並在身體的其他部位形成新的腫瘤。

在醫學領域，這是一種知非常難以檢測的一種腫瘤。

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於醫療過程中「照護程序」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。

全球範圍內，有50萬人因乳腺癌死亡，他們當中有90％都是轉移性腫瘤。

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，基於深度學習開發出了一種可期的解決方案——檢測演算法，可自動評估乳腺癌患者淋巴結活檢。

之所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於放射治療、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。

因此，對淋巴結轉移進行準確、及時地識別對臨床護理具有重要影響。

然而，研究表明，約14 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%。

所以，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。

第一篇發表於《病理學和檢驗醫學檔案期刊》(Archives of Pathology and Laboratory Medicine），論文題為：基於人工智慧的乳腺癌淋巴結轉移檢測：對病理學家黑匣子的檢測。

第二篇發表於《美國外科病理學雜誌》(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，他們不再運用演算法從Camelyon Challenge癌症細胞區域檢測競賽和批准用於研究。

他們在聖地亞哥海軍醫療中心的共著者提供的獨立數據集中識別病理載玻片。

由於這個額外的數據集來自不同實驗室，經過了不同處理過程的病理樣本組成，所以該數據集提升了常規臨床實踐中的病理載玻片和人工製品的多樣性。

LYNA證實了其能夠在圖像可變性和大量組織學特徵上能夠被穩定應用，並且在無需更多研發的情況下，在兩個數據集中實現了相似的性能。

如上圖所示，左側：包含淋巴結的載玻片有多個組學偽影：左邊較暗區域是氣泡，白色條紋是切割組學偽影，一些區域的紅色顯示出血（含有血液），組織已經壞死（衰竭），治療質量較差。右側：LYNA 識別出腫瘤區域在中央（呈紅色），並正確地對非腫瘤區域進行分類（呈藍色） 。

在兩個數據集中，LYNA 能夠以 99% 的正確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，在每個載玻片內，LYNA 能夠準確地查明癌症及其他可能患有癌症的位置，其中一些由於體積太小而不能被病理學家檢測到。

因此，Google團隊推斷 LYNA 的一個潛在效果可能是——重點標出這些區域，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擬診斷，在診斷中，他們分別在有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。

對於這種檢測小轉移（也可稱為微小轉移）的複雜的診斷，由於 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輔助後用藍青色標註出腫瘤的位置。

Google團隊說，這表明 LYNA 等輔助技術具有令人興奮的潛力，它可以減輕重複識別的負擔，讓病理學家能夠把更多的時間和精力專註於其他更具挑戰性的臨床和診斷工作。

在診斷的準確性方面，病理學家在研究中使用 LYNA 能夠更準確地檢測微轉移，將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 演算法本身的情況能夠達到更準確的效果，這表明人們使用演算法協助工作更有效率，比單獨使用某一種檢測方法實現更好的效果。

結論

最後，上結論。

Google說，通過這些研究，在展示LYNA演算法的穩健性（用以支持乳腺癌TNM分期的一個組成部分）和評估其在概念驗證診斷設置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、模擬的診斷工作流程、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確性和實用性，他們仍然保持樂觀。

作者系網易新聞·網易號「各有態度」簽約作者

—完—

加入社群

量子位AI社群開始招募啦，歡迎對AI感興趣的同學，在量子位公眾號（QbitAI）對話界面回復關鍵字「交流群」，獲取入群方式；

此外，量子位專業細分群(自動駕駛、CV、NLP、機器學習等)正在招募，面向正在從事相關領域的工程師及研究人員。

進專業群請在量子位公眾號（QbitAI）對話界面回復關鍵字「專業群」，獲取入群方式。（專業群審核較嚴，敬請諒解）

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！