NatureAI预测癌症起源,改善复杂转

撰文：知否

IF=27.；

推荐度：★★★★★

亮点：

研究者开发了一种使用常规组织学切片就能准确查找转移性肿瘤的起源的人工智能（AI）系统，同时对原发灶不明转移癌症（CancerofUnknownPrimary，CUP）进行鉴别诊断。研究者还开发了TOAD算法（TumorOriginAssessmentviaDeepLearning），该算法可以通过常规获得的组织学切片提供原发肿瘤起源的鉴别诊断。并使用已知原发肿瘤的全切片图像建立模型，同时识别原发或转移性肿瘤，并预测其原发部位。

随着科技的快速发展，在生活已经随处可见AI人工智能的产物，智慧医疗和AI技术的发展，很大程度上能为医生赋能，为医护工作者带来便利。累积下来的数据与模型，未来则可以整合到更多人机诊疗方案当中，成为智慧医疗生长的基石。癌症也试人类健康面临的难题之一，其中原发灶不明性转移性癌症占癌症病例的1%～2%，是一类经活检证实但找不到原发部位的转移性恶性肿瘤。临床仔细寻找原发病灶尤为重要，只有找到原发病灶，标本兼治，临床治愈率才能改善。年5月5日，哈佛医学院FaisalMahmood团队在《Nature》杂志上发表了题为：AI-basedpathologypredictsoriginsforcancersofunknownprimary的研究论文。将AI只能与癌症溯源结合起来，开发了一种使用常规组织学切片就能准确查找转移性肿瘤的起源的人工智能（AI）系统，同时对原发灶不明转移癌症（CancerofUnknownPrimary，CUP）进行鉴别诊断。该AI系统能够改善对复杂转移性癌症患者的诊断，尤其是医疗资源贫乏地区的患者的诊断。

在该研究中研究者基于涵盖了超过18种常见原位癌的3.2万个数字化高分辨率组织学切片库，提出了一种高通量、基于深度学习的评估肿瘤起源算法（TOAD），研究者利用来自超过2.2万名癌症病例的肿瘤千兆像素病例学全切片来训练该模型，随后在大约个已知的原发病例中验证TOAD算法，并用之分析日益复杂的转移性癌症病例，以此来建立针对原发灶不明癌症（CUP）的人工智能模型。图1：TOAD工作流程示意图。

随后研究团队对该模型进行了评估，对于模型训练数据库之外的约个样本进行分析，该模型获得了83.4%的总体精度，当使用top-k差分诊断准确率评估模型时，TOAD的Top3预测准确率为95.5%，Top5预测准确率为98.1%。较高的top-k精度表明，该模型可以在给定的病理学切片中使用TOAD算法可以最高精度的预测来缩小肿瘤起源的范围。同时为了评估该模型在不同的医疗保健系统和不同的染色方案和患者群体中的适应性，研究者们在还在来自多个美国和国际医疗中心的名外部患者的额外测试集上验证了TOAD，在不进行调试的情况下，该训练模型产生了79.9%的总体准确率以及Top.4%的预测准确率为。对于已知原发灶的肿瘤，该模型的总体预测准确率为83%，Top3预测准确率为96%。随后，研究团队在个原发灶不明癌症（CUP）中测试了该模型，并对病例进行了鉴别诊断，结果发现该模型的诊断与病理学家的一致率为63%，Top3诊断一致率为82％。种种性能测试结果显示该模型计算与诊断的可靠性，未来将助力于改善对复杂转移性癌症患者的诊断，尤其是医疗资源贫乏地区的患者的诊断。图2：TOAD算法模型的性能评估。

研究者在该项研究中对TOAD算法进行的全方位评估结果显示：该AI模型的预测效果与近期使用基因组数据预测肿瘤起源的几项研究报告结果基本一致。对于原发性鉴别诊断为CUPs的患者，通常经过广泛的临床检查后，该模型能够做出与原发性鉴别诊断在一定程度上一致的预测。但是在资源有限的情况下，辅助和临床检测、先进的成像和必要的病理专业知识无法同时满足要求，此时TOAD算法模型可以被病理学家用作辅助工具。由于该模型具有较高的top-k精度，TOAD可用于利用top预测的鉴别诊断来缩小潜在的主要病因，然后进行更知情的辅助检测或其他临床相关性，以获得最终诊断。但是目前还只是实验室试验阶段，这一基于组织学的AI模型，还未参与临床试验，其可靠性和准确性还有待临床试验的进一步验证。

作者介绍

FaisalMahmood,Ph.D.

马哈茂德博士是哈佛医学院病理学医院计算病理学系的助理教授。他在日本冲绳科学技术研究所获得生物医学成像博士学位，是约翰霍普金斯大学生物医学工程系的博士后研究员。他的研究兴趣包括病理学图像分析、形态特征和利用数据融合和多式联运分析发现生物标志物。马哈茂德博士是哈佛大学和麻省理工学院博大研究所副院士，哈佛生物信息学和综合基因组学（BIG）学院成员，达纳-法伯癌症研究所/哈佛癌症中心的正式成员。

Mahmood实验室（病理学图像分析实验室）旨在利用机器学习、数据融合和医学图像分析，为癌症诊断、预后和生物标志物的发现开发简化的工作流程。开发自动化和客观的机制，以减少观察者和观察者内部在癌症诊断中的变异性，使用人工智能作为病理学家的辅助工具。该实验室还专注于开发新的算法和方法，以确定临床相关的形态表型和生物标志物与特定治疗剂的反应相关。

参考文献：

AI-basedpathologypredictsoriginsforcancersofunknownprimary

关于我们

年热文TOP10

1、警惕：比较发现新冠具有更坚硬的外壳，预示更长存活周期

2、Science

后AlphaFold时代，生命科学的另类演化

3、Cell

引入外源性肝素可降低新冠感染率80-90%

4、Cell

为什么有的人就是吃不胖？科学及发现调节体重关键基因

5、Nature子刊

潘云鹤院士：中国的新一代人工智能计划

6、Science

中科大光量子计算机：突破与局限

7、Cell

类器官模型预测CART疗法

8、PNAS

可降解纳米粒子通过基因传递刺激免疫系统，杀死肿瘤细胞

9、NatureGenetics

机器学习与群体遗传学对肿瘤进行亚克隆重建

10、细节披露：首个全生物材料活体机器人Xenobot

转载请注明：http://www.makingchance.com/jbzl/7532.html