編譯:chux
出品:ATYUN訂閱號
在美國,有超過310萬有乳腺癌病史的女性。今年,預計將有超過266,000名女性被診斷患有浸潤性乳腺癌。爲了幫助醫生更好地檢測和治療這種疾病,研究人員開始尋求AI的幫助。在北卡羅來納大學最近發表的一項研究中,研究人員描述了一種基於深度學習的系統,他們開發這種系統來分析乳腺癌數字病理圖像並對腫瘤進行分類,結果準確度高。
“基於圖像的乳腺癌特徵在臨牀預後中具有重要作用,”研究人員在他們的論文中指出,“例如,腫瘤分級強烈影響生存率,甚至在雌激素受體陽性等預後良好的腫瘤中也是如此。”
然而,研究人員表示,預後的大多數進展都依賴於分子方法,這種分子方法成本高昂,並且不會對可以從中受益的所有臨牀患者進行常規檢查。
該團隊使用NVIDIA Tesla GPU,在卡羅萊納州乳腺癌研究中對500多個乳腺癌腫瘤病理圖像對卷積神經網絡進行了訓練,以分類腫瘤的分級,雌激素受體狀態,PAM50內在亞型和組織學亞型。這允許基於該數據計算風險復發分數。
然後,該團隊在288張圖像上測試了神經網絡的準確性。該算法能夠區分低中度腫瘤與高度惡性腫瘤,準確率爲82%。
來自單個患者的四個H&E核心和熱圖表明瞭圖像不同區域的類預測。類概率由紅色/藍色的強度表示,強度越大,概率越高。預測的不確定性由白色表示。該患者被標記爲高等級ER陰性,基底樣內在亞型,導管組織學亞型和高ROR。
“使用AI或機器學習,我們能夠完成許多病理學家能夠以相同的準確度做的事情,但我們也能做一些病理學家今天無法做到的事情,”北卡羅來納大學醫學院遺傳學、病理學和實驗室醫學教授Charles M. Perou博士表示,“在驗證方面還有很長的路要走,但我認爲隨着我們獲得更多圖像來訓練計算機,準確性只會越來越好。”
該研究最近發表在NPG乳腺癌雜誌上。該算法能夠用於識別那些將從進一步的基因組測試中受益的患者。該算法的另一個潛在用途是直接從病理圖像中確定腫瘤的雌激素受體狀態。對於實驗室檢測資源有限的國家,這將極爲有用。