發布日期：2017-03-07

過去幾年，人工智能與深度學習正在快速改變整個世界。在醫療健康領域，用于疾病診斷和病理分析的人工智能層出不窮。作為人工智能的先驅者與領軍者之一，谷歌自然不會錯過這一正在蓬勃發展的新方向。近日，來自谷歌、谷歌大腦與Verily公司的科學家們開發出了一款能用來診斷乳腺癌的人工智能，它的表現甚至超過了專業的病理學家。 人工診斷的局限 許多疾病的診斷依賴于病理學家對于組織切片的分析，這也成為了疾病診斷的黃金標準。對乳腺癌患者來說，病理學家將用顯微鏡鏡檢的方法，仔細觀看乳腺旁的淋巴結，尋找腫瘤的痕跡。根據鏡檢的結果，病理學家將告訴患者乳腺癌所處的階段，以及腫瘤是否發生轉移。這些分析直接決定了患者要采取的治療手段與疾病管理方法。據估計，全美每年有23萬乳腺癌患者需要接受這樣的診斷，聆聽醫生對她們命運的宣判。 ▲你能從這張切片中，找到哪些是腫瘤，哪些是正常組織，哪些是看起來很像腫瘤的正常組織嗎？（圖片來源：谷歌） 然而，這樣一個足以影響生命的環節，卻有著很大的先天不足。 首先，人工診斷很容易出錯。許多研究人員發現，即便是對于同一名病人，不同病理學家給出的診斷也往往會有很大不同：一篇2015年的論文發現，不同病理學家對乳腺癌診斷的一致率只有75.3%。在某些異型乳腺癌中，診斷的一致率竟下降到了48%，不足一半。可想而知，不少患者面臨著誤診的風險，這也無疑讓正在與死神賽跑的患者繞了彎路，使病情雪上加霜。 其次，盡管病理學家并非盡善盡美，要培養出這樣一名人才卻絕非一朝一夕之功。在經過基礎的醫學院學習后，這些專家必須經過數年的訓練，才能掌握足夠的經驗，學會分析病理切片的技巧。在醫療資源不足的地區，想要得到診斷，都是一種奢望。 科學家們表示，這兩大先天不足的背后，有著一個共同原因——這些病理學家需要處理的信息太多了。對于單獨一名患者來說，這些切片的數量就不止一張，而每一張切片在顯微鏡下都含有數百億個像素。這是一個什么樣的概念呢？谷歌的一則報道為我們做了一個比方。假設我們有1000張含有數千萬像素的高清照片，你要有能力辨別這1000張照片中，哪一個像素可能出了問題。 ▲要正確診斷癌癥，得要在幾百億個像素里找到出錯的那幾個（圖片來源：KingofWallpapers） 對于普通人類來說，這基本上是個不可能完成的任務。更何況，病理學家用來分析切片的時間非常有限。這也就解釋了為何要花上幾年時間才能訓練出一名病理學家，也能解釋為何不同病理學家可能會對同一名患者的切片做出不同判斷。 但對人工智能來說，這不是一個問題。 人工智能的奇跡 在諸多人工智能中，基于卷積神經網絡的系統在圖像識別上早已彰顯出自身的力量。此前，《自然》封面曾報道了一款能診斷皮膚癌的人工智能，它的特異性和靈敏度甚至超過了人類皮膚科的專家。既然病理切片也能被處理成數碼圖像，人工智能能否被用來分析切片，并診斷乳腺癌呢？ 谷歌和Verily的科學家們做了一個嘗試。由于單張切片的照片過于龐大，他們將這些圖像分割成了數萬至數十萬個128x128像素的小區域，每個小區域內可能含有數個腫瘤細胞。隨后，他們提供了許多腫瘤組織與正常組織的病理切片，供人工智能學習。最終，這款人工智能掌握了一項像素級的技巧——它能分辨出單個小區域內被標注為“腫瘤”的像素，從而將整個小區域標注為“腫瘤區”。這能有效將腫瘤組織與健康組織區分開來。 ▲與現有的計算機分析方案（中）相比，新型人工智能（右）能更準確地找到腫瘤（圖片來源：谷歌） 學習完畢后，這款人工智能迎來了實戰。科學家們邀請了一位病理學家，并讓他與人工智能進行一場比賽。這名病理學家花了整整30個小時，仔細分析了130張切片，并給出了他的診斷結果。在隨后基于靈敏度（找到了多少正確的腫瘤）和假陽性（將多少正常組織診斷為腫瘤）的評分中，這名病理學家的準確率為73.3%。 人工智能交出的答卷是88.5%，完勝人類。 更重要的是，這款人工智能可以得到很好的推廣，而不用局限于測試用的圖片。研究人員發現，即便是利用不同醫院不同掃描儀獲取的病理切片，這個系統也能很好的工作。 ▲人工智能不但能找到腫瘤組織，還能區分看上去很接近的正常組織（圖片來源：谷歌） 然而科學家們也謹慎地指出，這并不代表病理學家將被人工智能所取代。人類病理專家的知識與經驗更廣——盡管人工智能在特定的工作中表現出色，它卻不適合用于未經訓練的項目。舉例來說，如果想要開發針對炎癥反應、自身免疫疾病、或其他癌癥的診斷系統，這款人工智能是無法勝任的。因此，研究人員建議，我們應讓人工智能與病理學家形成互補，提高人工診斷的效率與可靠度。這樣一來，醫生們可以很快找到潛在的腫瘤區域，并確定腫瘤的大小。 這項研究彰顯了一個充滿希望的開端。谷歌的研究人員希望通過分享這一工作，能加快將研究轉化為醫學產品的進程。我們祝愿早日看到更多人工智能在生活中的應用。

來源： 藥明康德