借助AI支持走向医疗保健
深度学习将癌症定义为与实验室诊断一样好
在西方，肺癌是最致命的癌症。 实验室诊断专家在显微镜下检查组织样本，并对它们进行分类，以确定肿瘤发展的阶段并开出治疗方案。 在每种情况下，癌症都有其独特的独特之处，因此解释药物可能是一项艰巨的任务。 极其困难。 人工智能可以拯救吗？
是的，是的，并且...
我来自BBC的兄弟John Batson Sherlock
深度学习
最近，在深度学习技术中出现了一种图像分析技术，给计算机视觉领域带来了重大变化。 它会自动识别独特的图像特征，称为卷积神经网络（SNA）。 为了自动识别网络图像中的唯一图像，如果我们将ImageNet和CIFAR-10数据库手动标记为参考，则它们会使用数据处理方法，并且比人做得更好。 如果您在专家意见下使用大量药物虚拟图像，则可以指导SNA根据图像对各种类型的肺癌进行分类，从而简化肺腺癌的检测和分类过程。
模型滑动窗口，用于对肺制剂的虚拟图像进行分类
创建人工智能
来自达特茅斯市Geisel医学院Hassanpour实验室的科学家在《 自然科学报告》上发表了一篇科学文章 ，该文章讨论了可以对肺癌的组织学亚型进行分类的神经网络：蠕变，腺泡，乳头状，微乳头状和实体状。 该模型在4,000多张带注释的虚拟幻灯片上进行了训练，并针对每种特征类型使用一组经典样本进行了微调。 经过训练的模型在这些经典样本上表现良好：所有类别的操作特性曲线下面积均大于或等于0.97。
经典肺癌样本的AI性能指标
人工智能与专家？
为了比较该AI和实验室诊断专家的工作，科学家在独立测试中测量了其性能。 深度学习模型和三名医生对143个具有真实病例的药物完整虚拟图像进行了分类。 根据卡帕系数和两个一致性指标，他们训练的模型在各个方面都绕过了诊断医生，如报告中的下表所示：
表2：专家和我们的模型在143种药物完整虚拟图像中的主要亚型分类中的比较。 良好协议（R. Agreement）是指评论员同意另外三个中的至少两个。 括号中显示95％的置信区间。
为了进行比较，将模型检测到的特征类型逐张图形地呈现出来，同时专家对大量选定的图像进行评论。 比赛非常准确：
组织学图片的可视化，由专家（（Ai-iv）与确定深度学习模型（Bi-iv）的专家进行了比较。
这是什么意思？
深度学习已成为一种非常强大的方法，即使解决诸如医学图像分析之类的复杂问题，也可以与人相提并论。 基于深度学习算法的肺癌分类器可以将患者分为几类，并为医疗分析确定病例的优先级。 在图像模糊的情况下，它也可以作为第二意见。 尽管将来这些方法可以使专家工作中耗时的部分自动化，但要在实践中使用它们还有很多工作要做。 该模型需要在来自不同组织的许多数据库上进行测试。 其适用性必须通过临床试验确认。 自动化系统是否有可能取代实验室诊断专家？ 也许一次，但不会很快。 必须在临床环境中对所有AI系统进行全面测试，然后医生，患者和医学界才能信任它们。
为医疗保健创建AI算法就像爬上一座高山。 我们可以走了一半，但是还有很长的路要走，而且这并不容易。
Github公开提供了用于对肺组织病理学进行扫描分类的代码。