人工智能在癌症领域取得的这些重大突破，你都了解吗？

我们都知道，癌症是一种非常顽强的疾病，人类和它斗争的过程也非常漫长。而如今，随着人工智能技术的不断发展，AI已经在医疗健康领域取得了越来越多的突破，在癌症领域也不例外。下面我们就来看一下，AI近期在癌症治疗方面取得了哪些新进展呢？

谷歌AI转移性乳腺癌检测模型，准确率高达99%！

来自圣地亚哥海军医学中心（Naval Medical Center San Diego）和Google AI的研究人员开发出了一个新的AI系统，利用癌症检测算法来自主评估淋巴结活检，从而对转移性乳腺癌患者的诊断和治疗进行更好的决策。在测试中，这个系统实现了99%的检测准确度。

研究人员开发出了一个名为LYNA的新型AI系统。LYNA基于开源图像识别深度学习模型Inception-v3开发而成，可以将299像素大小的图像输入模型，在图像中以像素为单位确定肿瘤范围，将图像贴上“良性”或“恶性”等标签，并调整模型的算法权重以减少误差。 在这个模型基础上，研究人员将LYNA放置于正常组织与肿瘤组织比例为4：1的环境中，并提高了训练过程的“计算效率”，进而使算法“看到”了更大的组织多样性。此外，他们将活检切片扫描进行了标准化，在更大程度上提高了模型的性能。

研究人员将LYNA应用于淋巴结转移2016年挑战数据集（Camelyon16）之中，这个数据集包括来自多个医学机构的399张完整淋巴结切片图像。同时，研究人员还使用了来自20名患者的108张图像进行测试。在所有的图片中，研究人员利用其中的160张正常图像和110张肿瘤图像对LYNA进行了训练，并使用剩下的图片组成了两个图像集合，来对算法模型进行评估。

在测试中，LYNA识别图像的精度达到了惊人的99.3%。当模型的灵敏度阈值被调整以检测每张幻灯片上的所有肿瘤时，LYNA达到了69%的灵敏度，准确地识别出了评估数据集中的所有40个转移性肿瘤，中间没有出现任何假阳性结果。并且，LYNA并没有受到切片图像中气泡、不良处理、出血和过度染色等干扰因素的影响。

人工智能找到了预测免疫疗法效果的关键

一项来自法国的新研究发现，AI可用于创建患者使用免疫疗法疗效的预测评分，从而预测免疫疗法的治疗效果，并且增加治疗成功的几率。这也是人工智能首次可以通过处理医学图像来提取生物和临床信息，从而辅助免疫疗法的治疗。这项研究发表在了《The Lancet Oncology》上。

研究人员使用了MOSCATO研究项目参与者的CT图像，以及相关的肿瘤基因组数据，作为这项研究的数据集。同时，研究人员利用机器学习技术，训练算法使用这些CT图像数据，来预测基因组揭示了哪些肿瘤免疫浸润的情况，尤其是关于肿瘤中是否存在细胞毒性T细胞（CD8），并在这些结果的基础上在图像中建立了放射标记。

然后，为了测试这些放射标记在真实情况下的适用性，并将其与免疫疗法的疗效相关联，研究人员将开发出的AI算法在参与5个anti-PD-1/PD-L1免疫疗法1期临床试验的患者中进行验证，即使用在治疗开始前进行的CT图像对算法进行评估。 结果发现，在那些免疫疗法分别在3个月和6个月内起效的患者中，机器学习算法给出的放射学评分较高，同时这些患者的总生存率也较好。

谷歌AI精确识别肺癌突变基因

《Nature Medicine》上发表了一项重磅研究：来自纽约大学医学院的研究人员开发了一个新的机器学习程序，不仅能够以97%的准确率确定患者的肺癌类型，甚至还可以识别导致异常细胞生长的变异基因！

研究人员团队使用了来自Google的深度卷积神经网络Inception v3，并使用来自The Cancer Genome Atlas（TCGA）数据集的1634张图像对其进行了重新训练。然后，研究人员开始使用该神经网络，来区分腺癌（LUAD）和鳞状细胞癌（LUSC），这两种癌症都是肺癌最常见的形式。结果显示，尽管样本中出现了在之前训练中从未出现的特征，比如血块、炎症、坏死区域和肺萎缩等等，Inception v3仍然可以正确识别绝大部分样本中的肺癌类型，正确率最高可到达97%。更加令人印象深刻的是，该模型在一台拥有单一图形处理器的电脑上运行时，平均计算时间只需短短20秒。

有趣的是，研究人员发现，在被AI程序错误分类的那一小部分肿瘤图像中，约有一半也被病理学家错误地进行了分类，这一点表明了区分两种肺癌类型的难度。另一方面，在54幅被至少一位病理学家分类错误的图像中，机器学习正确识别出了其中45幅的癌症类型，这一点说明人工智能可以为医生提供有用的补充信息。

除了对疾病类型的识别外，研究人员还训练Inception v3识别癌变组织内的突变基因。利用肿瘤外观的细微差异，AI模型可以预测在细胞中是否存在与肺癌相关的6个突变基因，这6个基因分别为STK11、EGFR、FAT1、SETBP1、KRAS和TP53。针对不同的突变基因，Inception v3的预测准确率也不同，总体介于73%到86%之间。

AI识别肺癌小肿瘤，准确率高达95%

来自中佛罗里达大学（University of Central Florida）计算机视觉研究中心的研究人员们开发出了一个新的人工智能系统，以帮助检测肺癌患者的小肿瘤，而这些小肿瘤在使用传统检测方法时往往很难发现。

在这项研究中，研究人员使用了一种类似于面部识别算法的方法，使用大脑作为模型来创建一个AI系统，从而识别肺癌患者CT图像的小肿瘤。就像面部识别软件需要扫描成千上万张面部照片，来寻找特定的模式并与人脸进行匹配一样，研究人员也需要训练AI系统从无数的CT图像中识别那些不易被肉眼发现的小肿瘤。

为了实现这一点，研究人员使用了1000多例来自美国国立卫生研究院（NIH）的CT图像，并将这些图像数据输入到他们开发的AI系统中进行训练。在这个过程中，每一张CT图像都可以帮助AI完善其需要识别的肿瘤信息，如肿瘤的大小和形状等。同时在这个过程中，AI模型也逐渐学会了如何区分良性和恶性肿瘤，以及如何忽略CT图像中呈现的其他组织、神经和肿块等因素。

研究结果显示，经过训练的AI系统在CT图像中发现小肿瘤的准确率约为95%，而人类放射科医生的准确率只有65%。AI系统取得的这一结果大大超出了人类医生的水平。

虽然用这些技术帮助医生和患者的道路是漫长的，但是研究人员仍然乐观地认为，经过精心验证和精心设计的深度学习技术和临床工具，将有助于提高病例诊断的可用性和准确性。看了以上这些AI在癌症领域取得的重大突破，你是否对我们战胜癌症有了更大的信心呢？

参考资料：

[1] Applying Deep Learning to Metastatic Breast Cancer Detection. Retrieved October 15, 2018, from https://ai.googleblog.com/2018/10/applying-deep-learning-to-metastatic.html

[2] Predicting the response to immunotherapy using artificial intelligence. Retrieved August 28, 2018, from https://www.biospace.com/article/releases/predicting-the-response-to-immunotherapy-using-artificial-intelligence/

[3] Artificial intelligence can determine lung cancer type. Retrieved September 19, 2018, from https://www.eurekalert.org/pub_releases/2018-09/nlh-aic091718.php

[4] Engineers develop artificial intelligence system to detect often-missed cancer tumors. Retrieved August 27, 2018, from https://www.sciencedaily.com/releases/2018/08/180822114436.htm?utm_source=feedburner&utm_medium=email&utm_campaign=Feed%3A+sciencedaily%2Fcomputers_math%2Fartificial_intelligence+%28Artificial+Intelligence+News+--+ScienceDaily%29

来源：药明康德AI

来源：药明康德AI