人工智能系统可能改善复杂转移性癌症的诊断

为了改善复杂转移性癌症患者的诊断，特别是那些在资源匮乏的环境中，来自布里格姆妇女医院(Brigham and Women’s Hospital)马哈茂德实验室(Mahmood Lab)的研究人员开发了一种人工智能(AI)系统，该系统使用常规获取的组织切片准确地找到转移性肿瘤的起源，同时对原发癌症不明的患者进行“鉴别诊断”。

在1％至2％的癌症病例中，肿瘤原产地的主要部位不能确定。由于许多现代癌症治疗药物靶向原发性肿瘤，因此未知原代（杯子）癌症的预后差，中位数总存活为2.7至16个月。为了获得更具体的诊断，患者通常必须经过广泛的诊断疗效，这些诊断疗法可包括额外的实验室测试，活组织检查和内窥镜检查程序，延迟治疗。改善复合转移性癌症患者的诊断，尤其是那些资源匮乏的，来自Brigham和女性医院的Mahmood实验室的研究人员开发了一种人工智能（AI）系统，使用常规获得的组织学幻灯片，以准确地找到转移性肿瘤的起源，同时为杯患者产生“差异诊断”。研究结果描述于自然．

“几乎每个被诊断出癌症的病人都有一张组织学切片，这是一百多年来的诊断标准。我们的工作提供了一种方法来利用普遍获取的数据和人工智能为了改善这些复杂案件的诊断，通常需要广泛的诊断后工程，“Brigham和哈佛医学院的助理教授的计算病理学分工的相应作者Faisal Mahmood。

研究人员开发的基于深度学习的算法，被称为通过深度学习的肿瘤起源评估(TOAD)，可以同时识别肿瘤是原发性还是转移性，并预测其起源位置。研究人员用22000多例肿瘤病例的10亿像素病理全幻灯片图像训练了他们的模型，然后在大约6500例已知原发肿瘤病例中测试了TOAD，并分析了越来越复杂的情况转移性癌症在CUPs上建立AI模型的实用性。对于已知主要来源的肿瘤，该模型在83%的情况下正确识别出了癌症，在96%的情况下，它将诊断列为前三种预测之一。研究人员随后对317个CUP病例进行了模型测试，并对其进行了鉴别诊断，发现61%的TOAD诊断与病理医生的报告相符，82%的病例符合前三名的诊断。

蟾蜍的表现与几个最近的研究报告的表现相当，使用基因组数据预测瘤的起源。虽然基于基因组的人工智能提供了一种辅助诊断的替代选择，但基因组检测并不总是对患者进行，尤其是在资源匮乏的环境中。研究人员希望继续用更多的病例来训练他们的基于组织学的模型，并参与临床试验，以确定它是否能提高诊断能力和患者预后。

“模型的最高预测可以加速诊断通过减少需要订购的辅助测试的数量，减少额外的组织采样以及诊断患者所需的总时间来治疗，这可能是长而且压力的，“Mahmood说。”前三名预测可用于指南病理学家后续步骤，以及低资源设置，其中可能无法使用病理学专业知识可能用于分配a差异诊断．这只是在人工智能辅助下使用全幻灯片图像的第一步癌症起源预测，它是一个非常激动人心的区域，具有标准化和改善诊断过程的潜力。“