人工智能乳腺癌诊断系统

两个进一步的发展使这个系统独特:第一次，形态，分子和组织学数据集成在一个单一的分析。其次，系统提供了一个澄清人工智能决策过程采用热图的形式。这些热图逐像素地显示了视觉信息对人工智能决策过程的影响以及影响程度，从而使医生能够理解和评估人工智能分析结果的合理性。这代表着未来医院定期使用人工智能系统的决定性和关键的一步。

癌症治疗越来越关注分子特征肿瘤组织样本。研究是为了确定肿瘤组织中的DNA是否和/或如何改变，以及组织样本中的基因和蛋白质表达。与此同时，研究人员越来越意识到，癌症的发展与细胞间的交流以及肿瘤细胞与周围组织(包括免疫系统)的相互作用密切相关。

虽然显微技术能够以高空间细节研究生物过程，但它们只允许对分子标记进行有限的测量。这些都是用从组织中提取的蛋白质或DNA来确定的。因此，空间细节是不可能的，这些标记和微观结构之间的关系通常是不清楚的。“我们知道，在乳腺癌的病例中，肿瘤组织中迁移的免疫细胞，即淋巴细胞的数量对患者的预后有影响。也有关于这个数字是否有预测价值的讨论——换句话说，它是否能让我们说一种特定的治疗有多有效，”Charité病理研究所的Frederick Klauschen教授说。

“我们面临的问题是:我们有良好和可靠的分子数据，我们有良好的高空间细节的组织学数据。我们还没有得到的是成像数据和高维分子数据之间的决定性联系，”克劳斯-罗伯特博士补充道，Müller机器学习在你柏林。这两名研究人员已经在位于柏林工业大学的国家人工智能卓越中心——柏林学习和数据基础研究所(BIFOLD)合作多年。

正是这种共生关系使得新发表的方法成为可能。“我们的系统有助于检测显微图像中的病理改变。与此同时，我们能够提供精确的热图可视化，显示微观图像中的哪个像素对诊断算法有贡献，以及在多大程度上有贡献，”Müller教授解释说。该研究团队还成功地进一步开发了这一过程:“我们的分析系统已经使用机器学习过程进行训练，因此它也可以预测各种分子特征，包括DNA的状况，基因表达，以及在组织的特定区域的蛋白质表达，基于组织学图像。

接下来的议程是认证和进一步的临床验证，包括肿瘤常规诊断的测试。然而，Klauschen教授已经确信这项研究的价值:“我们开发的方法将在未来使组织病理肿瘤诊断更精确、更标准化、质量更好成为可能。”

这项研究已经发表在自然机器智能．