隨著機器學(xué)習(xí)技術(shù)的不斷發(fā)展，其在醫(yī)學(xué)圖像分析領(lǐng)域已經(jīng)取得了飛速進步。近日，來自Norris Cotton Cancer Center的研究人員利用機器學(xué)習(xí)模型，對肺腺癌的腫瘤模式和亞型進行了分級。結(jié)果顯示，該模型與3位病理學(xué)家的表現(xiàn)旗鼓相當(dāng)。這項研究發(fā)表在了《Scientific Reports》上。

肺腺癌（lung adenocarcinoma）是肺癌的一種，屬于非小細胞癌。目前，肺腺癌的診斷方式主要為病理學(xué)家肉眼對肺葉切片圖像進行檢查，從而確定腫瘤模式和亞型。這種診斷方式對肺癌的預(yù)后以及確定治療方案有著非常重要的作用，但是這一過程通常比較困難，且病理學(xué)家的判斷往往有一定的主觀性。

針對這一情況，來自Norris Cotton Cancer Center的研究人員開發(fā)并訓(xùn)練了一種新的機器學(xué)習(xí)模型，并將病理學(xué)家識別的肺癌組織學(xué)樣本全切片圖像與該模型識別出的圖像進行比較。根據(jù)計算機模型生成的結(jié)果，研究人員使用不同顏色在圖像上進行標(biāo)注。結(jié)果顯示，計算機模型識別出的圖像結(jié)果與病理學(xué)家進行的主觀性評估結(jié)果基本相符。

左圖為病理學(xué)家標(biāo)注的圖像結(jié)果，右圖為機器學(xué)習(xí)模型的識別結(jié)果（圖片來源：Hassanpour Lab, Dartmouth’s Norris Cotton Cancer Center，《Scientific Reports》）

“這項研究表明，在具有挑戰(zhàn)性的圖像分類任務(wù)上，機器學(xué)習(xí)可以擁有非常好的表現(xiàn)，并有可能成為肺癌診斷的助手，”這項研究的負責(zé)人、達特茅斯學(xué)院生物醫(yī)學(xué)數(shù)據(jù)科學(xué)系副教授Saeed Hassanpour博士表示：“我們系統(tǒng)的臨床應(yīng)用將能夠幫助病理學(xué)家對肺癌亞型進行準(zhǔn)確的分類，這對肺癌的預(yù)后和治療至關(guān)重要?！?/p>

除了在臨床環(huán)境中測試深度學(xué)習(xí)模型，以驗證其改善肺癌分類的能力之外，該團隊計劃將該方法應(yīng)用于乳腺癌、食管癌和結(jié)直腸癌等組織病理學(xué)圖像分析之中。Hassanpour博士說道：“機器學(xué)習(xí)方法識別圖像的速度很快，識別一張圖片只需花費不到一分鐘的時間。因此，該模型可以在醫(yī)生檢查前完成患者分診，并極大地協(xié)助病理學(xué)家對圖像的檢查工作?！?/p>

目前，Hassanpour博士及他的團隊將這一模型的代碼開源，以促進該領(lǐng)域的更多新研究和新合作。

參考資料：

[1] A new machine learning model can classify lung cancer slides at the pathologist level. Retrieved March 12, 2019, from https://www.eurekalert.org/pub_releases/2019-03/dmc-anm030119.php

[2] Wei, et al., (2019). Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks. Scientific Reports, doi: https://doi.org/10.1038/s41598-019-40041-7

來源：藥明康德AI