運用深度學習技術檢測轉(zhuǎn)移性乳腺癌

來源：新浪科技綜合 發(fā)布時間：2018-10-15瀏覽：2205次

運用深度學習技術檢測轉(zhuǎn)移性乳腺癌

　　病理學家利用顯微鏡對患者的腫瘤進行微觀檢查，是一直以來人們對癌癥診斷的黃金標準，這一方法對癌癥的預測和治療決策也有著深遠影響。針對從原 發(fā)部位擴散轉(zhuǎn)移到附近淋巴結的癌癥的檢測，是病理檢查過程中至關重要，但也舉步維艱的一環(huán)。大多數(shù)癌癥都涉及到淋巴結轉(zhuǎn)移的檢測，這項檢測則成為了被廣泛 采用的 TNM 癌癥分期的基礎診斷依據(jù)之一。

　　特別是在乳腺癌中，淋巴結轉(zhuǎn)移會影響關于放射治療、化療以及可能需要手術切除額外淋巴結等情況的治療決策。因此，對淋巴結轉(zhuǎn)移進行準確、及時地 識別對臨床護理具有重要影響。然而，研究表明，約1\4 的轉(zhuǎn)移性淋巴結的分期在第二次病理檢查的過程中會發(fā)生改變，而且，當檢查時間有限時，單個載玻片上小轉(zhuǎn)移的檢測靈敏度可能降低至 38%。

　　去年，我們介紹了基于深度學習的方法，以提高 2016 ISBI Camelyon Challenge 癌癥細胞區(qū)域檢測競賽的診斷準確性。該競賽提供了來自乳腺癌患者淋巴結的高達 10 億像素的病理載玻片，供研究者們研發(fā)用于診斷轉(zhuǎn)移性癌癥的計算機算法。雖然 LYNA 的癌癥檢測率明顯高于之前的報告，但僅僅依靠準確的算法來改善病理學家的工作流程或乳腺癌患者的治療結果是不夠的。為了患者的安全，必須在大量的案例中對 這些算法進行測試，以此了解它們的優(yōu)點和缺點。此外，這些算法為病理學家在使用過程中帶來的實際益處在此前沒有得到過證實，因此必須進行評估以確定其是否 能夠真正提高診斷的效率或準確性。

　　在發(fā)表于《病理學和檢驗醫(yī)學檔案期刊》（Archives of Pathology and Laboratory Medicine）的論文“基于人工智能的乳腺癌淋巴結轉(zhuǎn)移檢測：對病理學家黑匣子的檢測”和發(fā)表于《美國外科病理學雜志》（The American Journal of Surgical Pathology）的論文“深度學習輔助對轉(zhuǎn)移性乳腺癌淋巴結組織病理學檢查的影響”中，我們提出了一種基于 LYNA 的概念性病理學驗證輔助工具，并對此進行調(diào)查研究。

　　在第一篇論文中，我們不再運用算法從 Camelyon Challenge 癌癥細胞區(qū)域檢測競賽和批準用于研究 我們在圣地亞哥海軍醫(yī)療中心的共著者提供的獨立數(shù)據(jù)集中識別病理載玻片。由于這個額外的數(shù)據(jù)集來自不同實驗室，經(jīng)過了不同處理過程的病理樣本組成，所以該 數(shù)據(jù)集提升了常規(guī)臨床實踐中的病理載玻片和人工制品的多樣性。LYNA 證實了其能夠在圖像可變性和大量組織學特征上能夠被穩(wěn)定應用，并且在無需更多研發(fā)的情況下，在兩個數(shù)據(jù)集中實現(xiàn)了相似的性能。

　　左側(cè)：包含淋巴結的載玻片有多個組學偽影：左邊較暗區(qū)域是氣泡，白色條紋是切割組學偽影，一些區(qū)域的紅色顯示出血（含有血液），組織已經(jīng)壞死（衰竭），治療質(zhì)量較差。右側(cè)：LYNA 識別出腫瘤區(qū)域在中央（呈紅色），并正確地對非腫瘤區(qū)域進行分類（呈藍色） 。

　　在兩個數(shù)據(jù)集中，LYNA 能夠以 99% 的正確率區(qū)分出有轉(zhuǎn)移性癌癥的載玻片和無轉(zhuǎn)移性癌癥的載玻片。此外，在每個載玻片內(nèi)，LYNA 能夠準確地查明癌癥及其他可能患有癌癥的位置，其中一些由于體積太小而不能被病理學家檢測到。因此，我們推斷 LYNA 的一個潛在效果可能是——重點標出這些區(qū)域，供病理學家在檢查和作出最后診斷時參考。

　　在第二篇論文中，6 名有美國醫(yī)生從業(yè)執(zhí)照的專科病理學家完成了一項模擬診斷，在診斷中，他們分別在有 LYNA 的協(xié)助下和在沒有 LYNA 的協(xié)助下對轉(zhuǎn)移性乳腺癌的淋巴結進行檢查。對于這種檢測小轉(zhuǎn)移（也可稱為微小轉(zhuǎn)移）的復雜的診斷，由于 LYNA 的使用，平均縮短了一半的時間，每張載玻片需要約一分鐘的時間，而不再是兩分鐘，使人在主觀上覺得“更簡單”（根據(jù)病理學家的診斷難度自我報告）。

　　這表明 LYNA 等輔助技術具有令人興奮的潛力，它可以減輕重復識別的負擔，讓病理學家能夠把更多的時間和精力專注于其他更具挑戰(zhàn)性的臨床和診斷工作。在診斷的準確性方 面，病理學家在研究中使用 LYNA 能夠更準確地檢測微轉(zhuǎn)移，將從檢測中遺漏的微轉(zhuǎn)移率降低兩倍。令人感到振奮的是，使用 LYNA 協(xié)助的病理學家比沒有使用 LYNA 協(xié)助的病理學家，或者比僅僅依靠 LYNA 算法本身的情況能夠達到更準確的效果，這表明人們使用算法協(xié)助工作更有效率，比單獨使用某一種檢測方法實現(xiàn)更好的效果。

　　通過這些研究，我們在展示 LYNA 算法的穩(wěn)健性（用以支持乳腺癌 TNM 分期的一個組成部分）和評估其在概念驗證診斷設置中的影響方面取得了進步。這些進去非常令人振奮，但同時利用此類技術幫助醫(yī)生及患者從科研試驗到臨床實踐 的過程中還有很長的路要走。這些研究有很大的局限性，比如有限的數(shù)據(jù)庫、模擬的診斷工作流程、僅單獨檢查每個患者的單個淋巴結的病理載玻片，而不是實際臨 床病例中常見的檢查多個淋巴結病理載玻片等。我們需要進一步評估 LYNA 對實際臨床工作流程和治療結果的影響。但是，經(jīng)過仔細試驗論證過的深度學習技術和精細設計的臨床工具可以改善全球病理學家診斷的準確性和實用性，我們?nèi)匀? 保持樂觀。