利用人工智能的力量来检测疾病

由悉尼大学的王秀英教授和曼纽尔·格雷伯教授领导的一项大型国际合作，开发了一种创新的、先进的人工智能(AI)应用程序PathoFusion，可用于常规组织样本的检查，以确定癌症的适应症。

这项研究融合了来自计算机科学家、神经病理学家、神经外科医生、医学肿瘤学家和医学成像科学家。

ANSTO的Richard Banati教授是医学放射科学/医学成像教授，他使用先进的医学成像技术研究大脑的先天免疫系统，他是发表在《癌症》杂志上的论文的合著者。

“PathoFusion背后的想法是创建一种新型的高级深度学习模型，以识别恶性特征和免疫反应标记，独立于人类干预，并同时在一个区域内绘制它们数字图像Banati解释道。

科学家们专门设计了一个双焦深度学习框架，它类似于显微镜学家在组织病理学图像分析中的工作方式。该框架使用卷积神经网络(ConvNet/CNN)，它最初是为自然图像分类而开发的。

这种深度学习算法可以接收输入图像，为图像中的各个方面/对象分配重要性，并将它们彼此区分开来。

评估该模型的实验包括检查胶质母细胞瘤病例的组织，胶质母细胞瘤是一种影响大脑或脊柱的侵袭性癌症。

该团队使用神经病理学家的专家输入来“训练”软件来标记关键特征。

实验证实，该应用程序在识别和绘制恶性肿瘤标志物的六种典型神经病理特征方面达到了很高的准确性。

病理融合可靠地识别了形态和结构特征，精度为94%，灵敏度为94.7%。精密度为96.2%，敏感性为96.1%。

该应用程序将死亡或濒死组织、显微血管和其他脉管系统的增殖信息与肿瘤遗传标记CD276的表达结合在一张图像中，该图像结合了热图中的数据。

图像使用强烈的颜色来描绘特征及其分布。传统的染色技术通常是单色的。

“这项研究证实了训练是可能的神经网络只有效地使用了相对较少的病例，这在某些情况下应该是有用的，”巴纳蒂说。

该研究成功地有效地训练了一个卷积神经网络为了识别染色切片中的关键特征，改进模型并提高特征识别的有效性(与常规神经网络训练所需的物理病例相比，需要更少的物理病例)，并建立一种包括免疫数据的方法。

艰苦和耗时的常规形态学诊断工作是由病理学家进行的，他们在显微镜下检查单个载玻片，标记和量化作为疾病标记的特征，并向临床医生提供信息。

悉尼大学和大脑与思维中心的曼纽尔·格雷伯教授说:“预计计算硬件的进一步改进，当整个组织学切片以高分辨率使用时，它应该会超过人类微观特征识别的速度几个数量级。”

Banati解释说:“在未来，该模型可以通过促进微观分析或使当地无法获得这些服务的地区的患者受益，从而改善神经病理学或病理学单位的工作流程。”

---

---