|
Anant Madabhushi博士是美国凯斯西储大学生物医学工程系的一名教授。他的实验室开发出可以协助诊断癌症和心脏病的“深度学习”计算机。最近，这些计算机击败了医生同行，但Madabhushi驳斥了这些机器将取代病理学家和放射科医生的说法。 自2016年以来，Madabhushi及其团队从国家癌症研究所获得了950万美元的资助，努力开发分析乳腺癌、肺癌和头颈癌的数字病理图像的计算工具，从而确定哪些患者不需要采取激进的放疗或化疗。 Madabhushi认为，这些工具可以帮助医生提高效率。例如，对于无疾病或明显良性的病例，医生不必花太多时间，从而可以更专注于比较复杂的病例。同时，这些工具还可以分辨那些恶性程度较低的患者，避免了不必要的放疗或化疗。 “这并不是说我们能够'击败'病理学家或放射科医生，而是这台机器能够增添价值，”他说。“目前市场上迫切需要更好的决策支持工具为患者提供服务，特别是在病理学家或放射科医生非常少的地方。” Madabhushi列举了最近发表的三个研究实例，说明这些工具能够带来非常准确的结果。 第一个例子是，Madabhushi实验室的计算机成像系统准确预测了97％的病例，其中105名患者已显示出心力衰竭的证据。相比之下，两位病理学家的预测准确性为74％和73％。这些结果最近发表在《PLOS ONE》期刊上。 在第二个例子中，Madabhushi及其同事发现，尽管放射科医生通常将CAT扫描中出现的一半结节标记为“可疑”或“不确定”，但实际上大约98％的结节是良性的。在最近发表在《Journal of Medical Imaging》上的一项研究中，研究小组表示，计算机成像技术在区分良性与恶性肺结节比两位人类专家更出色。 此外，在美国、芬兰和澳大利亚进行的一项前列腺癌扫描研究中，计算成像算法同样优于人类医生。这种机器算法识别了核磁共振成像（MRI）扫描中放射科医生错过的70％以上的前列腺癌病例。对于半数的放射科医生错误判定前列腺癌明显存在的病例，机器算法能够正确地识别出疾病不存在。 那么，这些超级计算机究竟做了什么，才能在短时间内击败经验丰富的医生？答案是这些诊断成像计算机能够快速读取、记录和比较几百张组织样本的切片，而病理学家在同样时间内只能读取一张。 然后，它们快速完整地记录腺体、细胞核及周围组织的质地、形状和结构等特征，以确定某些疾病的侵袭性和风险。最后，它们努力预测疾病的侵袭程度，以及扫描到的结节是否会癌变。 所有这些信息都能够帮助病理学家和放射科医生对切片和扫描进行更好的解读，但更关键的是可以帮助临床医生制定更合理的治疗建议。 Madabhushi举了一个例子，博茨瓦纳的人口有200万，但只有一名病理学家。“通过更准确地分类真正需要护理的患者，我们能帮助病理医生更有效地开展工作，”他说。 原文标题 A deep-learning classifier identifies patients with clinical heart failure using whole-slide images of H&E tissue |
|
|
