人工智能识别与癌症复发相关的特征

此外，AI识别了病理学家此前没有注意到的与癌症预后相关的特征，与基于病理学家的诊断相比，这使得前列腺癌复发的准确性更高。将人工智能的预测与人类病理学家的预测相结合，可以获得更高的准确性。

该研究的第一作者山本洋一郎(Yoichiro Yamamoto)表示:“这项技术可以通过从图像中获取新知识，实现对癌症复发的高度准确预测，从而有助于个性化医疗。”它还可以帮助解决人工智能被视为‘黑盒子’的问题，从而有助于理解人工智能如何在医学上安全使用。”

山本和木村一郎领导的研究小组与日本多所大学医院合作，采用了一种名为“无监督学习”的方法。只要人类教人工智能，就不可能获得现有知识之外的知识。人工智能不是被“教授”医学知识，而是被要求使用无监督的深度神经网络(即所谓的自动编码器)学习，而不需要获得任何医学知识。研究人员开发了一种方法，可以将人工智能发现的特征(最初只是数字)转换成人类可以理解的高分辨率图像。完成这一壮举的集团收购了13188包埋病理学的幻灯片图像前列腺来自日本医学院医院(NMSH),巨大的数据量,相当于大约860亿图像补丁(子图片分为深层神经网络),并计算了AIP强大的雷电的超级计算机。

人工智能利用没有诊断注释的病理图像，从1100万个图像块中学习。根据Gleason评分，人工智能发现的特征包括全球使用的癌症诊断标准，但也包括支持器官的间质结缔组织的特征——专家们不知道的非癌症领域。为了评估这些人工智能发现的特征，研究小组使用NMSH(内部验证)中剩余的案例验证了复发预测的性能。该小组发现，人工智能发现的特征(AUC=0.820)比根据病理学家制定的人类癌症标准(Gleason score =0.744)做出的预测更准确(AUC=0.820)。此外，结合人工智能发现的特征和人类建立的标准预测复发比单独使用任何一种方法更准确(AUC=0.842)。该小组使用另一个数据集确认了结果，其中包括来自圣玛丽安娜大学医院和爱ichi Medical University医院的2276张完整病理图像(100亿个图像补丁)(外部验证)。

山本说:“我非常高兴地发现，人工智能能够从未经注解的病理图像中自行识别癌症。”我非常惊讶地发现，人工智能发现了病理学家尚未发现的可用于预测复发的特征。”

他继续说:“我们已经证明，人工智能可以从无需注释的诊断性组织病理学图像中自动获取人类可以理解的知识。这种“新生”知识可以通过对癌症复发的高度准确预测，对患者非常有用。令人欣慰的是，我们发现，将人工智能的预测与病理学家的预测相结合，准确率进一步提高，这表明人工智能可以与医生携手改善医疗服务。此外，人工智能还可以作为发现迄今为止未被发现的疾病特征的工具，不需要人类知识，可以在医学以外的其他领域使用。”