准确率达99%的谷歌AI,缩短一半诊断时间

几年前,医疗保健领域还将人工智能视为一项新生事物,关于 AI 究竟会取代人类医生还是会成为人类的助手的讨论就层出不穷。

时至今日,阶段 AI 发挥作用的用武之地集中在扮演辅助角色上,也就是所谓的“人机耦合”,更让人期待的是,其辅助功能的价值也经受住了一部分实践的检验。

谷歌于 10 月 14 日发布的一篇文章,就很好地介绍了 AI 算法配合人类医生所达到的优异效果:在有 AI 算法辅助的情况下,6 名有美国医生从业执照的专科病理学家的诊断时间平均缩短了一半。

这项研究发表在《美国外科病理学杂志》(The American Journal of Surgical Pathology),题为“深度学习辅助对转移性乳腺癌淋巴结组织病理学检查的影响”。其中所使用的 AI 算法被称为“LYmph Node Assistant”(下文简称“LYNA”),它可以简单看做是帮助病理学家进行诊断的一种“拼写检查”。

不过,LYNA 在独立运作的情况下实力又如何呢?根据另一项发布在《病理学和检验医学档案期刊》(Archives of Pathology and Laboratory Medicine)的论文“基于人工智能的乳腺癌淋巴结转移检测:对病理学家黑匣子的检测”,在两个用以测试数据集中,LYNA 能够以 99% 的正确率区分出有转移性癌症的载玻片和无转移性癌症的载玻片。

值得业内人士参考的是,在 LYNA 的开发和应用上,谷歌多想和多做了几件事情:虽然 LYNA 的癌症检测率明显高于之前的报告,但仅仅依靠准确的算法来改善病理学家的工作流程或乳腺癌患者的治疗结果是不够的,为了患者的安全,开发团队决定在大量的案例中对这些算法进行测试,以此了解它们的优点和缺点。

在 99% 正确率判断的论文中,LYNA 通过独立数据集中识别病理载玻片。

由于这个额外的数据集来自不同实验室,经过了不同处理过程的病理样本组成,所以该数据集提升了常规临床实践中的病理载玻片和人工制品的多样性。而 LYNA 则通过这个数据集证实了其能够在图像可变性和大量组织学特征上能够被稳定应用。

而在配合人类医生的论文中,6 名有美国医生从业执照的专科病理学家完成了一项模拟诊断。

在诊断中,他们分别在有 LYNA 的协助下和在没有 LYNA 的协助下对转移性乳腺癌的淋巴结进行检查。对于这种检测小转移(也可称为微小转移)的复杂的诊断,由于 LYNA 的使用,平均缩短了一半的时间,每张载玻片需要约一分钟的时间,而不再是两分钟,使人在主观上觉得“更简单”(根据病理学家的诊断难度自我报告)。

图丨左侧:包含淋巴结的载玻片有多个组学伪影:左边较暗区域是气泡,白色条纹是切割组学伪影,一些区域的红色显示出血(含有血液),组织已经坏死(衰竭),治疗质量较差。右侧:LYNA 识别出肿瘤区域在中央(呈红色),并正确地对非肿瘤区域进行分类(呈蓝色)。(来源:谷歌)

图丨左侧:在逐渐增大的放大倍数下,含有小转移性乳腺肿瘤淋巴结的载玻片的样本视图。右侧:相同视图在使用算法辅助后(LYmph Node Assistant,LYNA)用蓝青色标注出肿瘤的位置。(来源:谷歌)

根据谷歌介绍,以上的两项表明,LYNA 等辅助技术具有令人兴奋的潜力,它可以减轻重复识别的负担,让病理学家能够把更多的时间和精力专注于其他更具挑战性的临床和诊断工作。接下来,谷歌的研究团队还将进一步评估 LYNA 对实际临床工作流程和治疗结果的影响。

LYNA 最值得人们期待的一件事情是,它在一定程度上证明了,使用算法协助的病理学家比没有使用算法协助的病理学家,或者比仅仅依靠算法本身的情况能够达到更准确的效果。

从可以快速读取 CT 扫描的深度学习算法,到可以梳理电子健康记录(EHR)中的非结构化数据的自然语言处理(NLP),AI 在医疗保健中的应用曾经被渲染得无穷无尽。但就像技术炒作曲线巅峰时期的任何技术一样,AI 在医疗上的应用既面临着来自其怀疑者的批评,也享受着来自福音传道者的热情。每一项重大技术突破都需要时间才能充分发挥潜力。在这之前,我们可以期待未来有更多类似这样的“人机耦合”实验成为未来医疗 AI 算法落地的主流“试验场”。

THE END
分享
二维码
< <上一篇
下一篇>>