癌症中心的研究人员使用类似于智能手机上的面部和语音识别功能的技术,训练计算机分析乳腺癌图像,然后高精度地对肿瘤进行分类。
在发表在NPJ乳腺癌杂志上的一项研究中,研究人员报告称他们使用一种称为机器学习或深度学习的人工智能来训练计算机从图像中识别乳腺癌肿瘤的某些特征。计算机还根据复杂的分子和基因组特征确定了肿瘤类型,病理学家无法仅从图片中识别出这些特征。他们认为这种方法虽然仍处于早期阶段,但最终可以为诊所和乳腺癌研究带来成本节约。
“你的智能手机可以解释你的演讲,找到并识别照片中的面孔,”该研究的第一作者Heather D.Couture说,他是UNC-Chapel Hill计算机科学系的研究生助理。“我们正在使用类似的技术来捕捉图像中的抽象属性,但我们将它应用于一个完全不同的问题。”
在这项研究中,研究人员使用来自卡罗莱纳州乳腺癌研究的一组571张乳腺癌肿瘤图像,训练计算机对肿瘤进行分级,分类,雌激素受体状态,PAM50内在亚型,组织学亚型和复发评分风险。为此,他们创建了学习如何使用训练集从图像预测标签的软件,以便以相同的方式处理新图像。
然后,他们使用另一组288个图像来测试计算机自身区分肿瘤特征的能力,比较计算机对病理学家对每个肿瘤的等级和亚型的发现的反应,并分别测试基因表达亚型。他们发现计算机能够在82%的时间内区分低中度肿瘤和高度恶性肿瘤。当他们有两名病理学家检查低中度等级组的肿瘤等级时,病理学家大约89%的时间相互同意,这略高于计算机的准确性。
此外,计算机确定了雌激素受体状态,区分了导管和小叶肿瘤,并确定每个病例是否具有高或低复发风险的高水平准确性。它还确定了乳腺癌的一种分子亚型-基底样亚型-它基于肿瘤中基因的表达方式-准确率为77%。
“使用人工智能或机器学习,我们能够完成许多病理学家能够以相同的准确度做的事情,但我们也能做一两件病理学家今天无法做到的事情,”UNC说。Lineberger的Charles M.Perou,博士,May Goldman Shaw分子肿瘤学杰出教授,遗传学教授,以及UNC医学院的病理学和实验室医学。“在验证方面还有很长的路要走,但我认为随着我们获得更多图像来训练计算机,准确性只会越来越好。”
计算机识别基底样亚型的能力令研究人员感到兴奋,并且可以应用于癌症研究。他们还认为,该技术可以应用于没有病理资源的社区,也可以帮助验证病理学家的发现。
“我们感到惊讶的是,计算机能够通过查看图片来估计生物标记风险的准确度非常高,”UNC Lineberger的全球公共卫生学院教授Melissa Troester博士说。“我们花费数千美元使用分子工具测量这些生物标记物,这种新方法可以拍摄图像,在估计肿瘤表型或亚型时获得80%的准确度或更好。这非常令人惊讶。”
Couture表示深度学习技术已被广泛应用于语音识别和自动驾驶汽车等领域。
“人类可以看到一两个例子,当他们看到其他物体时能够概括,”Couture说。“例如,椅子有很多不同的形式,但我们可以认为它是我们所依赖的东西。计算机在从少量数据中推广时要困难得多。但另一方面,如果你提供了足够的标签数据,可以学习比人类可以在视觉上评估更为复杂的概念-例如仅从图像中识别出类似基底的亚型。“
研究人员说,他们工作的独特之处在于他们能够利用这项技术来观察人类无法获得的肿瘤特征。他们想要弄清楚计算机看到了什么,以及研究该技术是否可以预测结果。
“计算机从图像中提取了大量信息,”特罗斯特说。“我们想测试这些特征如何预测结果,以及我们是否可以将这些特征与分子数据一起使用,以便更好地让患者准确了解他们的疾病过程,以及哪些治疗可能有效“。
发表评论 取消回复