研究者Joann Elmore表示，從一開始就得到正確的診斷結(jié)果是非常重要的，這樣才能夠幫助我們對(duì)患者進(jìn)行最有效地診斷和治療；2015年研究人員發(fā)現(xiàn)，病理學(xué)家對(duì)乳腺癌活組織檢查結(jié)果的解釋存在很多不一致的想法，而且每年有數(shù)百萬(wàn)女性都會(huì)接受乳腺活組織檢查手術(shù)；早期研究結(jié)果表明，每6名原位導(dǎo)管癌（一種非侵入性的乳腺癌）的女性中就有1名會(huì)出現(xiàn)錯(cuò)誤診斷，而且大約一半的乳腺異型性活組織檢查病例（與高風(fēng)險(xiǎn)乳腺癌相關(guān)的異常細(xì)胞）都會(huì)被給出錯(cuò)誤的診斷。

 

研究者指出，乳腺活組織檢查的醫(yī)學(xué)圖像中包含大量復(fù)雜的數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行解釋可能會(huì)帶有大量的主觀色彩，將乳腺異型性與導(dǎo)管原位癌進(jìn)行有效區(qū)分在臨床治療上非常重要，但對(duì)于病理學(xué)家而言卻非常有挑戰(zhàn)性，有時(shí)候，當(dāng)臨床醫(yī)生在一年之后看到同樣的病例時(shí)，甚至?xí)品白约旱脑\斷結(jié)果。人工智能或許能通過(guò)繪制大量的數(shù)據(jù)集來(lái)提供持續(xù)的較為準(zhǔn)確的閱讀結(jié)果，該系統(tǒng)能夠有效識(shí)別與癌癥相關(guān)樣本的模式，這一點(diǎn)人類通過(guò)肉眼似乎是無(wú)法有效區(qū)分的。

 

這項(xiàng)研究中，研究人員將240份乳腺活組織樣本圖像輸入到電腦中，隨后進(jìn)行訓(xùn)練使其能夠識(shí)別與多種類型乳腺病灶相關(guān)的模式，這些乳腺病灶包括良性病變、異型性、導(dǎo)管原位癌（DCIS）或侵襲性乳腺癌等，此外，每幅圖片的正確診斷需要三位病理學(xué)專家的共同商討才能決定。為了檢測(cè)這套新型人工智能系統(tǒng)，研究人員將其閱讀的結(jié)果與87名美國(guó)職業(yè)病理學(xué)家獨(dú)立的診斷結(jié)果進(jìn)行對(duì)比，在區(qū)分癌癥和非癌癥病例方面，人工智能與人類醫(yī)生幾乎一樣出色，在區(qū)分DCIS和異型性上人工智能優(yōu)于臨床醫(yī)生，異型性被認(rèn)為是乳腺癌診斷中臨床醫(yī)生所面臨的最大挑戰(zhàn)。 這種人工智能系統(tǒng)能夠準(zhǔn)確確定掃描所展示的DCIS或異型性是否比臨床醫(yī)生更為頻繁，其靈敏度在0.88-0.89之間，而病理學(xué)家的平均靈敏度僅為0.70，較高的靈敏度得分提示診斷和分類的可能性越大。研究者Elmore表示，本文研究結(jié)果鼓舞人心，目前美國(guó)臨床病理學(xué)家對(duì)非典型增生（異型性）和導(dǎo)管原位癌的診斷準(zhǔn)確率較低，而基于計(jì)算機(jī)的自動(dòng)診斷方法或許能夠展現(xiàn)出良好的前景，后期研究人員還將深入研究來(lái)訓(xùn)練該系統(tǒng)對(duì)黑色素瘤進(jìn)行更加準(zhǔn)確地診斷，相關(guān)研究由NIH癌癥研究所提供資助。