您的位置:健客网 > 肿瘤频道 > 肿瘤种类 > 乳腺癌 > 最强大脑挑战乳腺癌淋巴结转移

最强大脑挑战乳腺癌淋巴结转移

摘要:对此,美国纽约纪念医院斯隆凯特林癌症中心的流行病学和生物统计学专家发表研究方法解读:使用自由反馈受试者操作特性曲线评定机器诊断癌症的准确性。

编者按:2017年12月12日,《美国医学会杂志》连发四篇有关人工智能的文章,其中三篇与乳腺癌相关,尤其第一篇的研究者挑战赛令人叹为观止,共有390支来自世界各地的参赛队报名,最后哈佛医学院、麻省理工学院、麻省总医院、香港中文大学、德国慕尼黑ExB胜出!

机器学习是人工智能的分支,即以推理为主→以知识为主→以学习为主实现人工智能的途径。深度学习是机器学习的分支,是试图使用包含复杂结构或由多重非线性变换构成多个处理层对数据进行高度抽象的算法,即根据数据进行表现特征学习的机器学习算法。将深度学习算法用于全切片数字化病理图像可能提高诊断的准确性和有效性。那么,深度学习算法与病理医生诊断相比,检测乳腺癌组织切片淋巴结转移的辨别准确性如何?

2017年12月12日,《美国医学会杂志》发表奈梅亨拉德堡德大学医学中心、埃因霍温理工大学、乌得勒支大学医学中心的人工智能诊断准确性研究报告,对自动化深度学习算法检测乳腺癌女性腋窝淋巴结清扫的淋巴结苏木精伊红染色组织全切片数码图像有否癌症转移进行评定,并与临床病理医生的诊断进行比较。

2016年研究者挑战赛(CAMELYON16)于2015年11月~2016年11月从上述两家荷兰医学中心根据免疫组织化学染色确认有无淋巴结转移的270例全切片数码图像(110例有转移、160例无转移)作为练习数据集(演算组)供挑战赛参赛者构建算法,共有390支来自世界各地的参赛队报名,其中23支参赛队在截止日期前提交了32种算法(其中25种基于深度卷积神经网络)用于检测淋巴结转移的自动化解决方案。随后通过另外129例验证数据集(验算组)全切片数码图像(49例有转移、80例无转移)对算法进行评定。同时,验算组相应玻璃切片由11位荷兰病理医生组成专家组进行有时间限制的评估,限制在2小时左右的时间内,模仿日常病理工作流程确定各个切片存在淋巴结转移的可能性,另外1位病理医生无时间限制。通过受试者操作特征(ROC)曲线下面积(AUC)对存在特定转移病灶以及玻璃切片或数码图像存在淋巴结转移与否进行定量分析。参加模拟练习的11位病理医生将其诊断把握评为绝对正常、可能正常、模棱两可、可能肿瘤、肯定肿瘤。

结果发现:

无时间限制的病理医生需要大约30小时对129例全切片数码图像进行评定,无假阳性(即非肿瘤组织被辨别为转移),但是27.6%的转移未被发现,故辨别有无病变的真阳性率为72.4%,辨别转移分类的敏感度、特异度、AUC分别为93.8%、98.7%、0.966。

有时间限制的病理医生需要72~180分钟,辨别转移分类的平均敏感度、特异度、AUC分别为62.8%、98.5%、0.810。

通过对32种算法的横断面分析,所有人工智能算法的AUC范围为0.556~0.994。

最佳算法辨别有无病变的真阳性率为80.7%,平均假阳性率为1.25%,辨别转移分类的AUC为0.994,显著高于有时间限制的病理医生(P<0.001)。

排名前5位算法辨别转移分类的平均AUC为0.960,与无时间限制的病理医生相似。

排名前7位算法辨别转移分类的AUC均高于11位病理医生。

哈佛+麻理工二队(P<0.001)

哈佛+麻总院三队(P<0.001)

哈佛+麻总院一队(P<0.001)

香港中文大学三队(P<0.001)

德国慕尼黑ExBI队(P=0.02)

香港中文大学一队(P=0.04)

哈佛+麻总院二队(P=0.04)

因此,在挑战赛环境下,通过模仿日常病理工作流程的模拟练习,一些深度学习算法对全切片数字化图像的诊断能力,优于有诊断时间限制的11位病理医生,接近无诊断时间限制的病理专家。这些结果表明了深度学习算法用于病理诊断的潜力,但是需要在临床环境下对其实用性进行评定。

对此,美国纽约纪念医院斯隆凯特林癌症中心的流行病学和生物统计学专家发表研究方法解读:使用自由反馈受试者操作特性曲线评定机器诊断癌症的准确性。

对此,美国布列根医院和波士顿妇女医院的病理学专家发表述评:深度学习算法帮助人工智能检测乳腺癌淋巴结转移。

看本篇文章的人在健客购买了以下产品 更多>
有健康问题?医生在线免费帮您解答!去提问>>
健客微信
健客药房