【AICon】探索RAG 技术在实际应用中遇到的挑战及应对策略!AICon精华内容已上线73%>>> 了解详情
写点什么

谷歌用深度学习诊断前列腺癌准确率达 70%,高于人类病理专家

  • 2018-11-19
  • 本文字数:2667 字

    阅读完需:约 9 分钟

谷歌用深度学习诊断前列腺癌准确率达70%,高于人类病理专家

AI 前线导读: 在美国,最常见的男性癌症是前列腺癌,约九分之一的男性可能在一生中患上这种疾病。然而,这种常见疾病的病变通常不易被察觉,这让确诊癌症是否对患者构成足够风险,以采取相应的治疗手段(如前列腺切除术或放射疗法)变得十分有挑战性。划分前列腺癌患者“风险层级”的关键因素是 Gleason grade,这种方法根据在显微镜下观察切片与正常前列腺的相似程度对癌细胞进行分类。


更多干货内容请关注微信公众号“AI 前线”(ID:ai-front)


然而,尽管其临床重要性被广泛认可,但 Gleason 对前列腺癌的分级非常复杂和主观,研究报告显示,病理学家对前列腺癌分级的分歧达 30-53%[1] [2]。此外,全球范围内,受过足够专业训练病理学家非常缺乏,特别是在美国以外。而且,最新的指导方法还建议病理学家在最终报告中报告肿瘤不同 Gleason 图像的百分比,这增加了病理学家的工作量,成为他们的另一个主观挑战[3]。总体而言,这些问题表明,使用基于深度学习的模型来改善前列腺癌的诊断和临床管理很有必要,就像谷歌和其他公司已经证明的,使用这些技术可以改善转移性乳腺癌检测的潜力一样。


在《用于改善前列腺癌 Gleason 评分的深度学习算法开发和验证”一文中(https://arxiv.org/abs/1811.06497), 我们探索了深度学习是否可以在前列腺切除术试验中提高列腺癌 Gleason 分级的准确性和客观性。我们开发了一种深度学习系统(DLS),它首先模仿病理学家的工作流程,将幻灯片中的每个区域分类为不同的 Gleason pattern,底部的图案对应于更接近正常前列腺的肿瘤。然后,DLS 根据目前存在的两种最常见的 Gleason pattern 总结整个 Gleason 评分组(http://pathology.jhu.edu/ProstateCancer/NewGradingSystem.pdf)。等级越高,代表进一步发展成癌症的风险越大,患者越有可能从及早治疗中受益。



Gleason pattern 的视觉演示,Gleason 系统使用它们对前列腺癌进行分级。基于癌症与正常前列腺组织的接近程度,单个癌症斑块被定性为特定的 Gleason pattern,等级越高,患癌的风险越大。图像来源:国立卫生研究院。


为了开发和验证 DLS 系统,我们收集了前列腺切除术案例的去识别图像,使用了包含临床中最常用的针芯活组织检查在内的方法检查前列腺癌。在训练数据上,我们使用了 32 名病理学家提供的 Gleason pattern 详细注释(超过 1.12 亿张注释图像)和每张图像的整体 Gleason 评分组。为了克服先前在 Gleason 分级中提到的变异性,验证集中的每个载玻片由 3 至 5 名一般病理学家(从 29 名病理学家中选择)独立评分,并且由一名泌尿生殖专家病理学家进行最终的 Gleason 评分,以获得该幻灯片最真实的标签。


在本文中,我们的 DLS 总体准确度达到了 70%,而据调查显示,美国董事会认证的普通病理学家的诊断平均准确度仅为 61%。在 10 名进行样本评分的病理学专家中,DLS 比其中 8 位的检测结果更精确。在 Gleason pattern 定量方面,DLS 也比病理学家更准确。Gleason 分级的进步能够进行更精确的临床风险分层:DLS 能够比普通病理学家更精准地预测患者手术后疾病复发的风险,使医生能够利用这些信息更好地为患者进行治疗。



DLS 与病理学家的评分表现比较。 a:比较 DLS 的准确性(红色)与 29 名病理学家(绿色)的平均准确度。误差条表明置信区间为 95%。b:DLS、29 名病理学家和泌尿生殖专家病理学家提供的风险分层比较。根据他们的 Gleason 评分组将患者分为低风险组和高风险组,风险组的 Kaplan-Meier 曲线之间距离越大,表示分层越准确。


我们还发现,DLS 能够表征位于两个 Gleason pattern 尖端的组织形态,这是病理学家们观察到的 Gleason 分级不一致的原因之一,这表明,DLS 可以为前列腺癌创建更细粒度的“精确分级”。虽然这些位于中间的 pattern(例如 Gleason pattern 3.3 或 3.7)临床意义尚不清楚,但 DLS 的精确度提高将有助于进一步研究这个有趣的问题。



评估 DLS 的区域级别分类。a:来自 3 位病理学家的注释与 DLS 预测相比较。病理学家对肿瘤区域的位置和范围一般没有异议,却在 Gleason pattern 分层上分歧较大。每个区域的 DLS 精确 Gleason pattern 通过在 Gleason pattern 3(绿色),4(黄色)和 5(红色)的 DLS 预测模式之间进行插值来表示。b:在 4100 万张带注释的测试图像集中比较 DLS 预测模式与病理学家 Gleason pattern 分类的分布。在病理学家意见不一致的斑块上,组织更可能处于两个图案的尖端,DLS 的预测分数反映了这种模糊性。


虽然这些初步结果令人鼓舞,但在可以用来改善前列腺癌患者的护理之前,像 DLS 这样的系统,还有很多工作要做。首先,可以通过增加更多的训练数据进一步提高模型的准确性,并在数量更大、更多样化的患者中进行验证。此外,我们正在改进 DLS 系统进行针芯活组织检查,在患者决定接受手术之前进行诊断,让 Gleason 评分对临床决策发挥更大的影响。我们还需要进一步评估如何更好地将 DLS 整合到病理学家的诊断工作流程中,以及这种人工智能技术在临床实践中对 Gleason 分级的整体效率、准确性和预测能力的影响有多大。尽管如此,我们仍为这类技术改善癌症诊断和患者护理的潜力感到兴奋。


References


  1. Interobserver Variability in Histologic Evaluation of Radical Prostatectomy Between Central and Local Pathologists: Findings of TAX 3501 Multinational Clinical TrialNetto, G. J., Eisenberger, M., Epstein, J. I. & TAX 3501 Trial Investigators, Urology 77, 1155–1160 (2011).

  2. Phase 3 Study of Adjuvant Radiotherapy Versus Wait and See in pT3 Prostate Cancer: Impact of Pathology Review on AnalysisBottke, D., Golz, R., Störkel, S., Hinke, A., Siegmann, A., Hertle, L., Miller, K., Hinkelbein, W., Wiegel, T., Eur. Urol. 64, 193–198 (2013).

  3. Utility of Quantitative Gleason Grading in Prostate Biopsies and Prostatectomy Specimens, Sauter, G. Steurer, S., Clauditz, T. S., Krech, T., Wittmer, C., Lutz, F., Lennartz, M., Janssen, T., Hakimi, N., Simon, R., von Petersdorff-Campen, M., Jacobsen, F., von Loga, K., Wilczak, W., Minner, S., Tsourlakis, M. C., Chirico, V., Haese, A., Heinzer, H., Beyer, B., Graefen, M., Michl, U., Salomon, G., Steuber, T., Budäus, L. H., Hekeler, E., Malsy-Mink, J., Kutzera, S., Fraune, C., Göbel, C., Huland, H., Schlomm, T., Clinical Eur. Urol. 69, 592–598 (2016).


原文链接:


https://ai.googleblog.com/2018/11/improved-grading-of-prostate-cancer.html


公众号推荐:

2024 年 1 月,InfoQ 研究中心重磅发布《大语言模型综合能力测评报告 2024》,揭示了 10 个大模型在语义理解、文学创作、知识问答等领域的卓越表现。ChatGPT-4、文心一言等领先模型在编程、逻辑推理等方面展现出惊人的进步,预示着大模型将在 2024 年迎来更广泛的应用和创新。关注公众号「AI 前线」,回复「大模型报告」免费获取电子版研究报告。

AI 前线公众号
2018-11-19 16:031228

评论

发布
暂无评论
发现更多内容

HummerRisk V0.9.0:增加RBAC 拓扑图,云检测、漏洞、主机等模块增加规则

HummerCloud

开源 云原生安全

模块七--王者荣耀商城异地多活架构设计

闲人Eric

架构实战营

软件测试/测试开发 | 接口测试中如何使用Json 来进行数据交互 ?

测试人

json 软件测试 自动化测试 接口测试 测试开发

一个专科生的 2022 年终总结——默默努力,成为更好的自己

程序人生 年终总结 成长感悟 自学之路

以数据赋能AI量产落地,澳鹏团队在浦东AI智能创新应用大赛斩获佳绩

澳鹏Appen

人工智能 数据标注

【表面缺陷检测】表面缺陷检测数据集汇总

机器不学习我学习

90%开发都会忽略的性能调优点:针对返回大数据量的接口,10分钟内找到提升带宽瓶颈的突破口

KINDLING

Java 性能调优 响应时间 ebpf 排障

数据中心的浪浪山

脑极体

软件测试/测试开发 | 接口自动化测试中,如何做断言验证?

测试人

软件测试 自动化测试 接口测试 测试开发

2022年度 FinClip 扩展SDK推荐!

FN0

小程序 sdk SDK 教程

简述JavaScript异步函数 async/await

devpoint

JavaScript Async await es7

荣誉+1,OpenMLDB 荣获 InfoQ 2022 年度杰出开源运营团队

第四范式开发者社区

人工智能 机器学习 数据库 开源 特征

爆竹声响又是一年春节到 归心似箭阖家团圆享美食

Geek_2d6073

ING国际银行基于Volcano的大数据分析平台应用实践

华为云开发者联盟

云计算 云原生 后端 华为云 企业号 1 月 PK 榜

别忘记我:通过局部-全局内容建模进行文本擦除方法

合合技术团队

图像识别 图像处理 文本 图像擦除

火出圈的《中国奇谭》,如果浪浪山的小妖怪们也用WorkPlus

WorkPlus

软件测试/测试开发 | 接口自动化测试如何搞定 json 响应断言?

测试人

json 软件测试 自动化测试 接口测试 测试开发

光神经网络ONN:直接对光信号进行神经网络处理

Zilliz

2022年15款实用有趣的小程序推荐

FN0

小程序 小程序商城 小程序模版

KaiwuDB 首席解决方案专家 金宁:1.0 时序数据库核心功能解读

KaiwuDB

时序数据库 海量数据高吞吐 复杂查询

华为云代码检查插件(CloudIDE版本)使用指南

与时俱进的时代

华为云服务治理 | 微服务常见故障模式

IT科技苏辞

Volcano 社区 v1.7.0 版本正式发布 | 云原生批量计算

华为云开发者联盟

云计算 云原生 华为云 Volcano 企业号 1 月 PK 榜

中冶赛迪*IoTDB | 多项目全流程以IoTDB为时序数据处理方案,预计写入查询效率提升一倍

Apache IoTDB

国产时序数据库

软件测试/测试开发 | 接口自动化测试中如何对xml 格式做断言验证?

测试人

软件测试 自动化测试 接口测试 测试开发 接口自动化

华为云服务治理 | 服务治理的一般性原则

与时俱进的时代

华为云发布CodeArts Check代码检查服务,守护软件质量和安全

IT科技苏辞

高效节能 | 智慧灯杆综合管理解决方案

AIRIOT

物联网 智慧灯杆

DTSE Tech Talk 第18期丨统计信息大揭秘,数仓SQL执行优化之密钥

华为云开发者联盟

数据库 sql 后端 华为云 企业号 1 月 PK 榜

SAST-静态应用安全测试

华为云PaaS服务小智

技术人职场系列-务虚与务实

CatTalk

技术人生 职场发展

谷歌用深度学习诊断前列腺癌准确率达70%,高于人类病理专家_AI&大模型_谷歌博客_InfoQ精选文章