Google 的研究表明，現(xiàn)階段最好的診療結(jié)果來自專業(yè)人類和技術(shù)的共同努力。

　　2 月 4 日是世界癌癥日。據(jù)世界衛(wèi)生組織，全球范圍內(nèi)，近六分之一的死亡由癌癥造成，近 70% 的癌癥死亡發(fā)生在低收入和中等收入國家。2015 年癌癥造成 880 萬例死亡，最為常見的癌癥類型為肺癌、肝癌、結(jié)腸直腸癌、胃癌和乳腺癌。在中國，癌癥負擔也呈現(xiàn)逐年上升態(tài)勢，2015 年，平均每天超過 1 萬人被確診為癌癥，每分鐘有 7.5 個人被確診為癌癥。

　　以乳腺癌為例，乳腺 X 線影像技術(shù)是篩查乳腺癌的「黃金標準」。即便如此，對于醫(yī)學專家來說，閱讀 X 線影像仍然是一項困難的任務(wù)，檢查結(jié)果經(jīng)常有假陽性（誤診）和假陰性（漏診）的例子出現(xiàn)。這不僅為醫(yī)生帶來繁重的工作量，也會耽誤病患的治療，讓病患承擔不必要的壓力。

　　現(xiàn)在，隨著「AI 輔助醫(yī)療」，「AI 驅(qū)動醫(yī)療」的話題被頻頻提起，這也意味著從醫(yī)療產(chǎn)業(yè)和健康產(chǎn)業(yè)來看，技術(shù)正在承擔愈加重要的角色，比如輔助醫(yī)生突破原先醫(yī)療水平的天花板、代替醫(yī)生承擔重復(fù)的例行工作，或是改善地區(qū)醫(yī)療配置不均衡的現(xiàn)狀等等。

　　對癥下藥

　　「過去幾年里，Google 團隊將 AI 應(yīng)用于醫(yī)療保健領(lǐng)域——從通過分析和研究電子病歷預(yù)測患者疾病到輔助檢測肺癌等疾病，雖然我們?nèi)匀惶幱诩夹g(shù)開發(fā)的早期階段，但是結(jié)果是充滿希望的。」Google CFO Ruth Porat 說道。

　　去年 5 月，Nature Medicine 刊登了 Google 對于肺癌檢測的新進展——根據(jù)低劑量計算機斷層掃描圖像來預(yù)測肺癌。

　　放射科醫(yī)生無法像計算機一樣審查 3D 掃描，他們需要審查數(shù)百張 2D 圖像才能發(fā)現(xiàn)問題。Google 創(chuàng)建了機器學習模型，分析高通量的 3D 圖像，生成整體腫瘤預(yù)測，還可以識別細微的惡性組織。輸入患者先前的 CT 圖像，該模型便可分析和評估可疑肺結(jié)節(jié)的生長速度。

　　Google 團隊利用 45856 例未經(jīng)識別的 CT 圖像進行訓(xùn)練，并且將結(jié)果與六位經(jīng)認證的放射科專家進行了比較。在放射科醫(yī)生無輔助的情況下，Google 模型檢測到的假陰性減少 5％，假陽性減少 11％。

　　Google 在乳腺癌診斷方面所作的努力要開始于更早。一般來說，乳腺癌細胞的擴散方式通常會先轉(zhuǎn)移到附近的淋巴結(jié)中，淋巴結(jié)轉(zhuǎn)移會影響放射治療、化療和手術(shù)切除額外淋巴結(jié)的治療決策。全球過去至少有 50 萬人因患乳腺癌死亡，他們當中有 90％ 都是轉(zhuǎn)移性腫瘤。

　　針對從原發(fā)部位擴散轉(zhuǎn)移到附近淋巴結(jié)的癌癥的檢測，是病理檢查中重要且艱難的一步。大多數(shù)癌癥都涉及到淋巴結(jié)轉(zhuǎn)移的檢測，這項檢測則成為了被廣泛采用的 TNM 癌癥分期的基礎(chǔ)診斷依據(jù)之一。

　　Google 曾經(jīng)帶著工具 LYNA（LYmph Node Assistant）參加 2016 ISBI Camelyon Challenge，該競賽主要是對乳腺癌在淋巴結(jié)中的轉(zhuǎn)移進行病理切片的分類和定位。

　　2018 年，Google 分別發(fā)表兩篇論文闡述在乳腺癌方面的進展。在第一篇論文中，Google 將 LYNA 算法應(yīng)用于識別 Camelyon Challenge 和獨立數(shù)據(jù)集（由論文的共同作者提供）的病理切片。LYNA 被證明其在圖像可變性和組學偽影上具有穩(wěn)定的魯棒性，并且在兩個數(shù)據(jù)集上實現(xiàn)了相似的性能，而且無需額外更多的研發(fā)。

包含淋巴結(jié)的載波片有多個組學偽影右側(cè)：LYNA 識別腫瘤區(qū)域在中央（呈紅色），并正確地將周圍充滿偽影的區(qū)域分類為非腫瘤區(qū)域（呈藍色）

　　兩個數(shù)據(jù)集中，LYNA 能夠以 99% 的正確率區(qū)分有轉(zhuǎn)移性癌癥和無轉(zhuǎn)移性癌癥的載玻片。此外，LYNA 可以確定每張載玻片內(nèi)癌癥和可疑癌癥的位置，其中一些由于體積太小而無法被病理學家檢測到。因此 Google 團隊推測，LYNA 的一個重要用途就是突出這些「可疑」區(qū)域，輔助病理學家做出最終診斷。

　　在第二篇論文中，六名獲認證的病理學家在 LYNA 協(xié)助下和沒有 LYNA 協(xié)助下對轉(zhuǎn)移性乳腺癌的淋巴結(jié)做了檢查。得益于 LYNA，病理學家平均診斷時間減半，檢查每張載玻片只需要一分鐘，病理學家主觀上認為有了 LYNA 的幫助，診斷「更加容易」。就診斷準確性而言，在 LYNA 的幫助下，病理學家將淋巴結(jié)微轉(zhuǎn)移的遺漏率減少了一半。

左側(cè)：含有微轉(zhuǎn)移淋巴結(jié)的載波片的放大圖右側(cè)：相同視圖，在 LYNA 輔助后用藍色標注出腫瘤的位置

　　AI 診斷

　　這些進步聽上去令人興奮，但是更多處于科研試驗階段，有限的數(shù)據(jù)庫，模擬的診斷工作流程，單獨檢查每個患者的單個淋巴結(jié)的病理載玻片而非實際臨床病例中常見的檢查多個淋巴結(jié)病理載玻片等，都讓 LYNA 算法距離真正的臨床實踐還有很長的路要走。

　　可喜的是，2020 年伊始，Google 又在癌癥診斷方面帶來了好消息。1 月 1 日，Google Health 部門聯(lián)手 DeepMind 在 Nature 學術(shù)期刊上發(fā)布乳腺癌人工智能檢測系統(tǒng)。該模型是在一個具有代表性數(shù)據(jù)集上進行訓(xùn)練和調(diào)整的，數(shù)據(jù)集由 76000 多名英國女性和 15000 多名美國女性的未經(jīng)識別的乳腺 X 線影像組成。然后在一個單獨的未經(jīng)識別的數(shù)據(jù)集上進行了評估（包括 25000 多名英國女性和 3000 多名美國女性）。評估結(jié)果顯示，對比放射科醫(yī)生，AI 模型的假陽性低了 5.7%（美國）和 1.2%（英國），假陰性低了 9.4%（美國）和 2.7%（英國）。另一項研究中，該系統(tǒng)的表現(xiàn)超越了六位放射科專家。

乳腺癌人工智能檢測系統(tǒng)的檢測表現(xiàn)

　　無論是 LYNA 算法還是這項乳腺癌檢測系統(tǒng)，Google 的研究都表明，現(xiàn)階段最好的診療結(jié)果來自專業(yè)人類和技術(shù)的共同努力。比如，英國的乳腺篩查流程由兩位醫(yī)生共同讀片（Double Reading Process），針對這類情況，研究人員讓系統(tǒng)和人類專家同時做第一個決定，意見一致便可不二次讀片，意見不一致，將會啟動二次讀片。研究人員發(fā)現(xiàn)該人工智能系統(tǒng)保持了非劣效性能，相比傳統(tǒng)的「雙讀」，AI 可以減少第二個讀片者的 88% 工作量。

　　據(jù) Google 介紹，這項人工智能檢測系統(tǒng)未來對于臨床醫(yī)學有著深遠的意義。為了驗證該模型是否可以推廣到其他人群和篩查方案。Google 團隊僅僅用英國數(shù)據(jù)重新訓(xùn)練系統(tǒng)，在美國數(shù)據(jù)中評估。這項實驗下，AI 模型表現(xiàn)仍然好于人類專家，假陽性減少了 3.5%，假陰性減少了 8.1%。盡管差距略有縮小，但是測試表明，在未來的臨床部署中，該系統(tǒng)可能提供強大的基礎(chǔ)能力，提高癌癥篩查的準確性和效率，減少患者的等待時間和壓力，通過對本地數(shù)據(jù)微調(diào)，模型的表現(xiàn)性能會更好。但是為了達到這一目標，研究人員仍然需要持續(xù)的研究，前瞻性的臨床試驗以及監(jiān)管部門的批準。

總結(jié)

以上是生活随笔為你收集整理的世界癌症日：AI 对癌症治疗有什么帮助？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。