图片来源:en.wikipedia.org
研究者Joann Elmore表示,从一开始就得到正确的诊断结果是非常重要的,这样才能够帮助我们对患者进行最有效地诊断和治疗;2015年研究人员发现,病理学家对乳腺癌活组织检查结果的解释存在很多不一致的想法,而且每年有数百万女性都会接受乳腺活组织检查手术;早期研究结果表明,每6名原位导管癌(一种非侵入性的乳腺癌)的女性中就有1名会出现错误诊断,而且大约一半的乳腺异型性活组织检查病例(与高风险乳腺癌相关的异常细胞)都会被给出错误的诊断。
研究者指出,乳腺活组织检查的医学图像中包含大量复杂的数据,对这些数据进行解释可能会带有大量的主观色彩,将乳腺异型性与导管原位癌进行有效区分在临床治疗上非常重要,但对于病理学家而言却非常有挑战性,有时候,当临床医生在一年之后看到同样的病例时,甚至会推翻之前自己的诊断结果。人工智能或许能通过绘制大量的数据集来提供持续的较为准确的阅读结果,该系统能够有效识别与癌症相关样本的模式,这一点人类通过肉眼似乎是无法有效区分的。
这项研究中,研究人员将240份乳腺活组织样本图像输入到电脑中,随后进行训练使其能够识别与多种类型乳腺病灶相关的模式,这些乳腺病灶包括良性病变、异型性、导管原位癌(DCIS)或侵袭性乳腺癌等,此外,每幅图片的正确诊断需要三位病理学专家的共同商讨才能决定。为了检测这套新型人工智能系统,研究人员将其阅读的结果与87名美国职业病理学家独立的诊断结果进行对比,在区分癌症和非癌症病例方面,人工智能与人类医生几乎一样出色,在区分DCIS和异型性上人工智能优于临床医生,异型性被认为是乳腺癌诊断中临床医生所面临的最大挑战。这种人工智能系统能够准确确定扫描所展示的DCIS或异型性是否比临床医生更为频繁,其灵敏度在0.88-0.89之间,而病理学家的平均灵敏度仅为0.70,较高的灵敏度得分提示诊断和分类的可能性越大。研究者Elmore表示,本文研究结果鼓舞人心,目前美国临床病理学家对非典型增生(异型性)和导管原位癌的诊断准确率较低,而基于计算机的自动诊断方法或许能够展现出良好的前景,后期研究人员还将深入研究来训练该系统对黑色素瘤进行更加准确地诊断,相关研究由NIH癌症研究所提供资助。
原始出处:
Ezgi Mercan, Sachin Mehta, Jamen Bartlett, et al. Assessment of Machine Learning of Breast Pathology Structures for Automated Differentiation of Breast Cancer and High-Risk Proliferative Lesions. JAMA Network Open, 2019; 2 (8): e198777 DOI:10.1001/jamanetworkopen.2019.8777
联系客服