UCLA Health 加州大学洛杉矶分校医疗系统

人工智能可提供更准确的乳腺癌诊断

人工智能可提供更准确的乳腺癌诊断

加州大学洛杉矶分校最新开发的系统可以轻松解读复杂的乳腺癌图像
08/09/2019

加州大学洛杉矶分校的研究人员开发了一种人工智能系统,可以帮助病理学家更准确地解读活检组织,以更好地检测并诊断乳腺癌。

国际著名医学期刊《JAMA Network Open》发表的一项研究对这一新系统作出了介绍。用于诊断乳腺癌的医学图像有时很难用肉眼分辨,该系统可以帮助解读这些医学图像,其效果几乎与经验丰富的病理学家一样准确,甚至更好。

“从一开始就获得正确的诊断至关重要,这样我们才能引导患者进行最有效的治疗”, 该研究的资深作者、加州大学洛杉矶分校大卫格芬医学院 (David Geffen School of Medicine at UCLA) 的医学教授Joann Elmore博士说道。

2015年由Elmore领导的一项研究表明,每年都有数百万女性进行乳腺活检,但病理学家对乳腺活检的诊断结论常常存在分歧。早期研究表明,大约每6名乳腺导管原位癌(一种非侵袭性乳腺癌)患者中就有1人出现诊断错误,约一半的乳腺异型性(与乳腺癌高风险相关的异常细胞)活检病例出现了错误诊断。

“乳房活检的医学图像包含大量复杂数据,对它们的判定非常主观”,身兼加州大学洛杉矶分校琼森综合癌症中心 (UCLA Jonsson Comprehensive Cancer Center) 的研究员的 Elmore说, “将乳腺非典型性异位症与原位导管癌区别开来在临床上很重要,但对病理学家而言却是非常具有挑战性的。有时,当一年后再次出现相同病例时,医生甚至质疑他们先前的诊断。”

科学家认为,人工智能可以始终如一地提供更准确的读数,因为通过从大量数据中进行提取,系统可以识别样本中与癌症相关但是人类难以发现的模式。

研究小组将240张乳腺活检图像输入计算机,训练计算机识别与多种乳腺病变相关的模式,包括良性(非癌性)和非典型性到导管原位癌(DCIS)和浸润性乳腺癌,每幅图像的正确诊断是由三位病理专家的一致意见决定的。

为了测试该系统,研究人员将其读数与由87位美国病理学家进行的独立诊断进行了比较。 虽然人工智能程序在区分癌症和非癌症病例方面接近于人类医生的水平,但在区分导管原位癌和非典型性疾病时,人工智能程序的表现优于医生,后者被认为是乳腺癌诊断中最大的挑战。该系统比医生更准确地确定扫描是否显示DCIS或异型性;其敏感度在0.88到0.89之间,而病理学家的平均敏感度为0.70(敏感度得分越高,表明诊断和分类正确的可能性越大)。

“这些结果非常令人振奋”, Elmore表示,“美国目前在职病理学家对非典型性和导管癌的诊断准确性较低,基于计算机的自动化方法展示出巨大的前景”。

研究人员正致力于训练该系统学会诊断黑色素瘤。

西雅图儿童医院 (Seattle Children’s Hospital) 的Ezgi Mercan是该研究的第一作者,共同作者包括华盛顿大学 (University of Washington) 的Sachin Mehta和Linda Shapiro、俄亥俄州南部病理学顾问 (Southern Ohio Pathology Consultants) Jamen Bartlett 以及佛蒙特大学 (University of Vermont) 的 Donald Weaver。

该研究得到了美国国立卫生研究院国家癌症研究所(National Cancer Institute of the National Institutes of Health)的支持。

加州大学洛杉矶分校的研究人员开发了一种人工智能系统,可以帮助病理学家更准确地解读活检组织,以更好地检测并诊断乳腺癌。

国际著名医学期刊《JAMA Network Open》发表的一项研究对这一新系统作出了介绍。用于诊断乳腺癌的医学图像有时很难用肉眼分辨,该系统可以帮助解读这些医学图像,其效果几乎与经验丰富的病理学家一样准确,甚至更好。

“从一开始就获得正确的诊断至关重要,这样我们才能引导患者进行最有效的治疗”, 该研究的资深作者、加州大学洛杉矶分校大卫格芬医学院 (David Geffen School of Medicine at UCLA) 的医学教授Joann Elmore博士说道。

2015年由Elmore领导的一项研究表明,每年都有数百万女性进行乳腺活检,但病理学家对乳腺活检的诊断结论常常存在分歧。早期研究表明,大约每6名乳腺导管原位癌(一种非侵袭性乳腺癌)患者中就有1人出现诊断错误,约一半的乳腺异型性(与乳腺癌高风险相关的异常细胞)活检病例出现了错误诊断。

“乳房活检的医学图像包含大量复杂数据,对它们的判定非常主观”,身兼加州大学洛杉矶分校琼森综合癌症中心 (UCLA Jonsson Comprehensive Cancer Center) 的研究员的 Elmore说, “将乳腺非典型性异位症与原位导管癌区别开来在临床上很重要,但对病理学家而言却是非常具有挑战性的。有时,当一年后再次出现相同病例时,医生甚至质疑他们先前的诊断。”

科学家认为,人工智能可以始终如一地提供更准确的读数,因为通过从大量数据中进行提取,系统可以识别样本中与癌症相关但是人类难以发现的模式。

研究小组将240张乳腺活检图像输入计算机,训练计算机识别与多种乳腺病变相关的模式,包括良性(非癌性)和非典型性到导管原位癌(DCIS)和浸润性乳腺癌,每幅图像的正确诊断是由三位病理专家的一致意见决定的。

为了测试该系统,研究人员将其读数与由87位美国病理学家进行的独立诊断进行了比较。 虽然人工智能程序在区分癌症和非癌症病例方面接近于人类医生的水平,但在区分导管原位癌和非典型性疾病时,人工智能程序的表现优于医生,后者被认为是乳腺癌诊断中最大的挑战。该系统比医生更准确地确定扫描是否显示DCIS或异型性;其敏感度在0.88到0.89之间,而病理学家的平均敏感度为0.70(敏感度得分越高,表明诊断和分类正确的可能性越大)。

“这些结果非常令人振奋”, Elmore表示,“美国目前在职病理学家对非典型性和导管癌的诊断准确性较低,基于计算机的自动化方法展示出巨大的前景”。

研究人员正致力于训练该系统学会诊断黑色素瘤。

西雅图儿童医院 (Seattle Children’s Hospital) 的Ezgi Mercan是该研究的第一作者,共同作者包括华盛顿大学 (University of Washington) 的Sachin Mehta和Linda Shapiro、俄亥俄州南部病理学顾问 (Southern Ohio Pathology Consultants) Jamen Bartlett 以及佛蒙特大学 (University of Vermont) 的 Donald Weaver。

该研究得到了美国国立卫生研究院国家癌症研究所(National Cancer Institute of the National Institutes of Health)的支持。

媒体联系

Denise Heady310-206-2805dheady@mednet.ucla.edu