乳腺癌AI算法登上《自然》！识别准确率达92%，要抢医生饭碗？人类善于通过观察细胞的模式

人类善于通过观察细胞的模式来发现癌症。但一种新的人工智能工具——ReceptorNet ，则可以通过识别这些模式的细微差异来补充医生的“漏诊” ，从而提供更好的治疗决策。
文章插图
Salesforce最新推出的这款机器学习系统——ReceptorNet ，可以确定激素受体的状态——这是临床医生在为乳腺癌患者决定合适的治疗路径时的一个重要的生物标记。
该系统由Salesforce公司的研究人员与南加州大学Lawrence J. Ellison研究所的临床医生合作开发。近日发表在《自然通讯》（Nature Communications）杂志上发表的一项研究中，该系统的准确率达到了92% 。
报道称，该系统可以为肿瘤学家确定对乳腺癌患者进行适当治疗的关键生物标志物。 “我们根据年龄、种族和地点等数据进行了分割分析，从统计学上看，算法的性能没有差异。 ”
全世界每年有200多万女性患乳腺癌，美国每8名女性中就有1人在一生中罹患乳腺癌。 2018年，美国男性乳腺癌新发病例为2550例。令人担忧的是，全球几乎每个地区的乳腺癌发病率都在上升。
为了解决这个问题， Salesforce的研究人员开发了一种算法，即前面提到的ReceptorNet ，它可以通过廉价且无所不在的组织图像来预测激素受体的状态。
虽然利用人工智能来改善乳腺癌患者的预后并不是什么新鲜事。但迄今为止，诸如谷歌的人工智能乳腺癌筛查工具等的努力主要集中在癌症诊断上。
它的独特之处在于它专注于改善为乳腺癌患者做出治疗决定的方式。具体地说， ReceptorNet可以预测激素受体状态从廉价和无处不在的组织图像。这与目前的医疗标准形成了鲜明的对比：目前的医疗标准既需要一种更昂贵、更不容易获得的组织图像，又需要一名训练有素的病理学家来检查这些图像。
通常，医生或研究人员会对那些在活检或手术中提取的乳腺癌细胞进行检测，看它们是否含有充当雌激素或黄体酮受体的蛋白质。 (当雌激素和孕激素附着在这些受体上时，它们会加速癌细胞的生长。 )
至关重要的是，比起通常使用的系统，它能够以更便宜、更快的方式确定受体状态。在今天像美国这样的国家，它有可能帮助使乳腺癌治疗更容易获得高质量的决策，允许病人在全球范围内接受最好的治疗路径，无论专业知识可以在他们的医疗保健系统。
特别是在发展中国家， ReceptorNet可以使治疗更便宜和更容易获得。
人工诊断的差漏
就临床医生以往通常会选择的免疫组织化学(IHC)染色分析过程而言，不仅需要显微镜，整个流程操作下来也是花费高昂。但IHC染色的问题是——它昂贵、耗时，而且在世界许多地方，特别是在发展中国家，不容易获得。
Salesforce的研究人员利用数千张H&E图像幻灯片，对ReceptorNet系统进行了深度训练，这些图片来自世界各地“几十家”医院的癌症患者。
ReceptorNet已经学会了通过使用一种更便宜和更简单的成像方法来确定激素受体的状态——苏木精和伊红染色(H&E) ，它可以分析细胞的形状、大小和结构。
之后可以使用含有细胞结构信息的H&E图像来训练AI ，同时使用从IHC图像中提取的标签， IHC图像中含有关于激素受体存在的信息。
训练后，该算法可以直接从H&E预测激素受体的存在，而不需要获取昂贵的IHC图像。 “该算法能够观察单个像素，并确定人眼无法察觉的微妙模式。 ”
部分算法的“偏见”
研究表明，许多用于训练诊断疾病的算法的数据，可能会使结果上的“不平等”持续下去。
最近，一组英国科学家发现，几乎所有眼病数据集都来自北美、欧洲和中国的患者，这意味着眼病诊断算法对来自代表性不足国家的种族群体的效果，可能并不那么太确定。
在另一项研究中，斯坦福大学(Stanford University)的研究人员发现，涉及人工智能医疗用途的研究的大部分美国数据，则是仅限于来源加利福尼亚州、纽约州和马萨诸塞州。
但Salesforce表示，当分析了ReceptorNet在年龄、种族和地理因素方面的偏见迹象时，它发现它的表现没有任何静态差异。他们还表示，无论所分析的组织样本的制备方法有何不同，它都能做出准确的预测。
Salesforce相信，像ReceptorNet这样的系统，如果应用于临床，可以帮助降低护理成本和开始乳腺癌治疗所需的时间，同时提高准确性，为患者提供更好的健康结果。在短期内， ReceptorNet为未来的研究奠定了基础，相比那些有/无这种人工智能的病理学家的临床工作流程，可能有助于更好地揭示其潜力。