运用深度学习技术检测转移性乳腺癌
文章 / Google AI 医疗保健技术领导 Martin Stumpe 和产品总监 Craig Mermel
一直以来，病理学家通过显微镜对患者的肿瘤进行详细观察是诊断癌症的关键手段之一，并且这种方法对癌症的早期预测及治疗决策具有重要意义。对于已经从原发部位转移（扩散）至附近的淋巴结的癌症检测而言，在病理学检查中虽然重要却不容忽视的同时也相当繁重。绝大多数癌症都包括淋巴结转移这一特征，并因此成为TNM癌分诊断体系的基础依据之一。
淋巴结转移将影响接受放射治疗、化疗以及可能需要手术切除额外淋巴结等治疗方案的选择。特别对于乳腺癌患者而言更为关键。因此准确且及时识别淋巴结转移情况对临床护理工作具有重要意义。然而研究显示约四分之一转移性淋巴结的分期结果在二次病理检查中可能出现变化并且当检查时间较为紧迫时单个载玻片上小范围转移区域的检测灵敏度可能会降至38%左右。
去年我们介绍了基于深度学习的技术旨在提高2016 ISBI Camelyon Challenge中的癌症细胞区域检测比赛准确度该竞赛利用LYmph Node Assistant简称LYNA提供来自乳腺癌患者的淋巴结组织切片样本这些样本包含高达10亿像素图像并用于开发转移性癌症计算机辅助诊断工具尽管LYNA在Liu等人2017年的研究中显示出显著的癌症检测率优于以往报告但仅凭算法精确度无法显著提升病理学家的工作效率或改善乳腺癌患者的治疗效果为了确保算法的安全性和可靠性我们需要在不同环境下对这些算法进行测试以了解其优缺点此外我们之前尚未探讨这些算法的实际应用价值因此必须通过评估来验证其是否能有效提升诊断效率和准确性
分别在《Pathology and Laboratory Medicine》和《The American Journal of Surgical Pathology》期刊上发表的文章中，在Liu等人（2018年）的研究以及Steiner等人的研究（2018年）中开发了LYNA概念下的路径验证辅助系统，并对其相关因素进行了系统研究。
在第一篇论文中（http://www.archivesofpathology.org/doi/10.5858/arpa.2018-0147-OA），我们采用了LYNA算法来处理Camelyon Challenge癌症细胞区域检测竞赛提供的独立数据集以及圣地亚哥海军医疗中心的共著者提供的病理载玻片。由于该独特数据集整合了来自不同实验室并采用各自独特处理流程的病理样本，因此其多样性表征显著高于常规临床实践中的载玻片集合。研究结果表明，在两个独立数据集中实现一致的性能不仅无需额外研发即可实现可靠应用，并且LYNA在图像可变性和组织学特征分析方面表现出了强大的适应能力
左边缘处有一个包含淋巴结的载玻片上的显微镜图像样本，在其上有多组模拟图像：气泡状结构位于左边缘处为暗区；白色条带为切割模拟图像；在部分区域中可见血液渗入坏死组织（含有血液），这些坏死组织表明治疗效果不佳
右侧：LYNA 准确识别出肿瘤区域位于中间（红色），并成功将周边伪影归类为非肿瘤区域（蓝色）。
在两个数据集中应用LYNA方法时发现，在每个载玻片上其分类准确率达到99%，能够将其分为两类即含有转移性癌细胞的载玻片与不含癌细胞的载玻片。进一步观察发现该系统不仅能在显微镜下精确识别癌细胞还具有精准定位能力其定位精度可达到1/10微米水平这使得对于某些体积较小且传统方法难以识别的小区域癌细胞也能被及时发现因此我们推测LYNA系统的一个潜在优势在于通过高分辨率显微成像技术突出显示这些有问题的区域从而为病理学家提供更直观的信息用于检查和最终诊断
随着放大倍数逐步提高，在载玻片上观察到包含小转移性乳腺肿瘤淋巴结的样本视图
LYNA等辅助技术展现出巨大的潜力，并有助于减少重复识别工作的负担。这种技术不仅能够让病理学家将更多时间和精力投入到更具挑战性的临床和诊断工作中。在本研究中发现，在采用LYNA辅助的情况下，病理学家不仅能够更准确地检测微转移（将micro转移检出率提高），而且还能将漏检微转移的比例降低至原来的50%以内（相较于仅依赖传统方法的情况而言）。进一步研究表明，在使用LYNA辅助的情况下（与未采用LYNA辅助的病理学家相比），病理学家能够在诊断方面取得显著成效（其准确率较传统方法提升了约30%）。这些数据表明，在临床实践中应用算法辅助决策系统不仅能显著提高工作效率（使工作流程更加高效），还能实现更高的诊断准确性（确保治疗方案的安全性和有效性）。
通过一系列研究探索，在探讨LYNA算法在乳腺癌TNM分期预测中的可靠性及其在概念验证诊断环境中的应用效果方面取得了一定进展
更多 AI 相关阅读：
BERT 已开放获取：最前沿的 NLP 预训练技术体系现正式发布，并涵盖汉语及多种其他语言的支持
