手机网站
手机网站
以乳腺癌为例。乳腺x光成像技术是筛查乳腺癌的“黄金标准”。即便如此，医学专家阅读x光图像仍然是一项艰巨的任务。检查结果中常出现假阳性(误诊)和假阴性(漏诊)。这不仅会给医生带来沉重的工作量，而且会延误病人的治疗，使他们承受不必要的压力。
现在，随着“人工智能辅助医疗”的出现，“人工智能驱动医疗”的话题被频繁提及，这也意味着从医疗卫生行业的角度来看，技术正发挥着越来越重要的作用，如帮助医生突破原有医疗水平的上限，取代医生承担重复性的日常工作，或改善目前该地区医疗配置不平衡的状况等。
对症下药
”在过去的几年里，谷歌团队将人工智能应用于医疗保健领域——从通过分析和研究电子病历预测患者的疾病，到协助检测肺癌和其他疾病。虽然我们仍处于技术发展的早期阶段，但结果是有希望的。谷歌首席财务官露丝·波拉特说
去年5月，自然医学发表了谷歌在肺癌检测方面的新进展——基于低剂量计算机断层图像预测肺癌
放射学家不能像计算机一样检查3D扫描；他们需要查看数百张2D图片来发现问题。谷歌创建了一个机器学习模型来分析高吞吐量的3D图像，生成整体肿瘤预测，并识别精细的恶性组织通过输入患者以前的CT图像，该模型可以分析和评估可疑肺结节的生长速率
谷歌团队对45856张未识别的CT图像进行了培训，并将结果与6名认证的放射科医生进行了比较。没有放射科医生的帮助，谷歌模型检测到的假阴性减少了5%，假阳性减少了11%
谷歌在乳腺癌诊断方面的努力应该更早开始。一般来说，乳腺癌细胞的扩散方式通常会首先转移到附近的淋巴结。淋巴结转移将影响放疗、化疗和手术切除额外淋巴结的治疗决策过去至少有50万人死于乳腺癌，其中90%是转移性肿瘤。
是病理检查中检测从原发部位扩散到附近淋巴结的癌症的一个重要而困难的步骤。大多数癌症都涉及淋巴结转移的检测，这已成为TNM癌症分期广泛应用的基本诊断依据之一。
谷歌曾利用LYNA(淋巴结助手)工具参与2016年ISBI卡梅里恩挑战赛，主要是对乳腺癌淋巴结转移的病理切片进行分类和定位。
2年和018年，谷歌分别发表了两篇描述乳腺癌进展的论文在第一篇论文中，谷歌应用了LYNA算法来识别卡梅里恩挑战的病理切片和独立数据集(由论文的共同作者提供)LYNA已被证明对图像可变性和合成伪影具有稳定的鲁棒性，并且在两个数据集上实现了相似的性能，而无需额外的研究和开发。
左侧:包含淋巴结的载体片右侧有多个组织学伪像:LYNA识别出肿瘤区域在中心(红色)，并正确地将周围充满伪像的区域分为两个数据集
(蓝色)。LYNA能够以99%的准确率区分有转移癌的载玻片和没有转移癌的载玻片此外，LYNA可以在每张载玻片上定位癌症和疑似癌症，其中一些太小，病理学家无法检测到。因此，谷歌团队推测，LYNA的一个重要用途是突出这些“可疑”区域，并协助病理学家做出最终诊断。
在第二篇论文中，六名经认证的病理学家在有或没有LYNA的帮助下检查了转移性乳腺癌的淋巴结。多亏了LYNA，病理学家的平均诊断时间减少了一半，而且检查每张切片只需要一分钟。病理学家主观上认为，在LYNA的帮助下，诊断“更容易”。在诊断准确性方面，在LYNA的帮助下，病理学家将淋巴结微转移的遗漏率降低了一半。
左侧:含微转移淋巴结的载体片放大图右侧:相同视图，LYNA辅助
AI诊断
后用蓝色标记肿瘤位置这些进展听起来令人兴奋，但更多的是处于科学研究和实验阶段、有限的数据库、模拟诊断工作流程、每个患者的单个淋巴结的单个病理切片而不是实际临床病例中常用的多个淋巴结病理切片等。，都使得LYNA算法离真正的临床实践还有很长的路要走。幸运的是，谷歌在2020年初给癌症诊断带来了好消息。1月1日，谷歌健康与深度思维联手，在《自然》学术期刊上发布了一个乳腺癌人工智能检测系统。该模型是在一个代表性数据集上进行训练和调整的，该数据集由76，000多名英国女性和15，000多名美国女性的未识别乳房x光图像组成。然后，他们在一个单独的未知数据集(包括25000多名英国女性和3000多名美国女性)上接受评估评估结果显示，与放射科医师相比，人工智能模型的假阳性率分别为5.7%(美国)和1.2%(英国)，假阴性率分别为9.4%(美国)和2.7%(英国)在另一项研究中，该系统超过了六名放射学家。
乳腺癌人工智能检测系统
的检测性能无论是LYNA算法还是乳腺癌检测系统，谷歌研究表明，现阶段最好的诊断和治疗结果来自于专业人员和技术的共同努力例如，英国的乳房检查过程包括两个医生一起看电影。对于这种情况，研究人员要求系统和人类专家同时做出第一个决定。如果他们同意，他们可以看两遍这部电影。如果他们不同意，他们会开始看两遍电影。研究人员发现，人工智能系统保持了不差的性能。与传统的“二次阅读”相比，人工智能可以减少二次阅读88%的工作量
据谷歌称，这个人工智能测试系统对未来的临床医学有着深远的意义为了验证该模型是否可以推广到其他人群和筛查项目谷歌团队仅用英国数据对系统进行了再培训，并用美国数据进行了评估。在这个实验中，人工智能模型仍然比人类专家表现更好，假阳性减少了3.5%，假阴性减少了8.1%虽然差距略有缩小，但测试表明，在未来的临床部署中，该系统可以提供强大的基础能力，提高癌症筛查的准确性和效率，减少患者的等待时间和压力，通过对本地数据的微调，模型的性能会更好。然而，为了实现这一目标，研究人员仍然需要持续的研究、前瞻性临床试验和监管批准。
责任编辑宋德生
照片来源谷歌，视觉中国
