由凯斯西储大学(Case Western Reserve University)领导的研究开发的一种深度学习计算机网络，在确定整个活检切片中是否存在浸润性乳腺癌方面，准确率达到100%。

　　仔细观察，该网络在97%的情况下正确地对幻灯片的每个像素做出了相同的判断，绘制出近乎精确的肿瘤轮廓。

　　与四位病理学家的分析相比，机器的分析更加一致和准确，在许多情况下，机器的描述都有所改善。

　　研究人员说，在一个时间和准确性对患者的长期预后至关重要的领域，这项研究是朝着自动化部分活检分析和提高过程效率迈出的一步。

　　目前，医生所做的活组织检查中有十分之一存在癌症，但所有活检都必须由病理学家进行分析，以确定疾病的范围和体积，确定它是否已经扩散，以及患者是侵袭性癌症还是惰性癌症，需要化疗还是不那么剧烈的治疗。

　　上个月，美国食品和药物管理局批准了一种软件，该软件允许病理学家通过数字化检查活检切片来进行诊断，而不是在显微镜下观察组织。

　　凯斯西储大学生物医学工程的F. Alex Nason教授Anant Madabushi说:“如果这个网络可以分辨出哪些病人得了癌症，哪些没有，这项技术就可以为病理学家提供分诊，让他们把时间集中在癌症病人身上。”他也是这项研究的合著者，该研究详细介绍了网络方法，发表在《科学报告》上。

　　这项研究

　　为了训练深度学习网络，研究人员从多家医院下载了400张活检图像。每张幻灯片大约50,000 x 50,000像素。计算机导航或纠正不同扫描仪、染色过程和每个部位使用的协议的不一致性，以识别癌症与其他组织的特征。

　　研究人员随后向该网络提供了来自癌症基因组图谱和克利夫兰医学中心大学医院的200张图像。该网络在整个幻灯片上确定癌症存在与否的得分为100%，每个像素的得分也几乎相同。

　　加州大学洛杉矶分校的研究人员获得NCI资助，以推进液体活检用于癌症的早期检测

　　遵守WCRF/AICR指南可以显著降低癌症风险

　　研究人员发现新的基因靶标精确o食管癌的肿瘤学研究

　　Madabhushi同时也是凯斯西储大学计算机成像和个性化诊断中心的主任，他说:“该网络在识别癌症方面确实很擅长，但病理学家需要20年的实践和培训才能识别复杂的病例和模拟病例，比如腺病。”

　　网络训练花了大约两周的时间，在200张幻灯片中确定癌症的存在和确切位置，每张幻灯片花了大约20到25分钟。

　　那是两年前的事了。Madabhushi怀疑，现在的训练——使用新的计算机架构——将花费不到一天的时间，每张幻灯片的癌症识别和描绘可以在不到一分钟的时间内完成。

　　“客观地说，”Madabhushi说，“机器可以在‘非工作时间’进行分析，可能在晚上运行分析，并在病理学家早上来办公室时提供结果。”

　　Madabhushi与博士生Angel Cruz-Roa和哥伦比亚国立大学系统与工业工程系教授Fabio Gonzalez合作。凯斯西储医学院病理学副教授汉娜·吉尔摩;佛罗里达州坦帕市Inspirata Inc.的Ajay Basavanhally;宾夕法尼亚大学医院病理学和检验医学教授迈克尔·费尔德曼(Michael Feldman)和病理科教授娜塔莉·施(Natalie Shi);新泽西州罗格斯癌症研究所的医学和药理学副教授Shridar Ganesan;以及纽约州立大学布法罗大学病理学和解剖学系主任约翰·托马泽夫斯基。

　　这项研究的大部分是建立在Madabhushi和凯斯西储大学生物医学工程博士后Andrew Janowczyk的研究基础上的。他们领导了他们所谓的“分辨率自适应深度分层学习方案”的开发，该方案可以将使用深度学习方法进行图像分析的时间缩短85%。

　　深度学习网络学会了在较低分辨率下识别癌症指标，以确定在哪些地方需要在高分辨率下进行进一步分析，从而需要更长的计算时间来提供精确的结果。简而言之，该方案消除了耗时、高分辨率的健康组织分析。

　　为了管理数字化活检图像染色的差异，可能会混淆计算机分析，研究人员开发了一种使用稀疏自动编码器的染色归一化技术。该技术将图像划分为组织子类型，因此每个子类型的颜色标准化可以独立执行。

　　资料来源:凯斯西储大学