2017 年 12 月 12 日，在美國醫學協會線上雜誌（the Journal of the American Medical Association），研究人員發表了一篇關於乳腺癌淋巴結切片轉移情況的檢測競賽。這聽起來並不特別，但如果，這是另一場人機對決，可能就引起你的好奇心了吧！?
機械學習表現比病理學家好 ?!
人工智慧與機器學習在近幾年大放異彩，而機器學習中的「深度學習演算法」，其大多數的理論基礎，在十多年或更早以前就已經開發出來，但過去受限於電腦運算能力，並不重到重視。然而，隨著電腦運算能力的進步及網路的發展，產生愈來愈多可供深度學習的數位資料後，深度學習逐漸成為人工智慧的主流。從 2011 年 IBM Waston 奪得智力問答比賽冠軍，到 2016 年 Google AlphaGo 擊敗世界棋王，不僅在一般領域已打敗許多佼佼者，現在更廣泛應用在醫療專業與疾病診斷上。在科學家的努力下，人工智慧已經可從醫療影像發現多種疾病，包括乳癌、皮膚癌等，史丹佛研究團隊也曾訓練機器學習從心電圖來辨識心律不整疾病；而這次最新的挑戰是研究人員讓機器來診斷乳腺癌組織切片中淋巴結轉移，結果表現竟然比病理學家還好？
我的主治醫師是機器人 ?！ 史無前例！AI 考取醫療執照來自荷蘭 Radboud 大學醫學中心的 Babak Ehteshami Bejnordi 與其團隊，於 2015 至 2016 年間，通過免疫組織化學染色驗證了來自荷蘭 2 個中心和沒有淋巴結轉移的全幻燈片圖像訓練數據集，以挑戰參與者構建算法。算法性能評估在一個獨立的測試集的129 個全幻燈片圖像（49 和 80 和無轉移）。同一套相應的載玻片也由荷蘭 11 名病理學家組成的時間限制（with time constraint, WTC）評估，比較病理學家和自動化深度學習演算法，對乳腺癌女性淋巴結組織切片轉移的診斷，誰比較精確？研究人員發現，此演算法受試者工作特徵曲線下面積（Area under the Curve of ROC, AUC ）為 0.556 至 0.994（0.9 ≦AUC ≦1.0 ：outstanding discrimination 極佳的鑑別力）。表現最好的演算法獲得的病變及真正分數與沒有時間限制（without time constraint , WOTC）的病理學家相當，平均每張正常的全張幻燈片圖像的誤差為 0.0125 。
而在地球的另一端，新加坡國家眼科中心的 Daniel Shu Wei Ting 博士團隊，透過 494,661 張視網膜圖像，檢測並評估糖尿病視網膜病和青光眼和年齡相關性黃斑變性（AMD）的 DLS 的表現。評估方式以受試者工作特徵曲線（ AUC ）下的主要結果和測量區域，以及專業評分者（視網膜專科醫師，普通眼科醫生，訓練有素的評分者或驗光師）作為參考標準的 DLS 敏感性和特異性。研究人員發現糖尿病視網膜病變的 DLS 的 AUC 為 0.936，敏感性和特異性分別為 90.5 和 91.6％。 對於視力不良的糖尿病視網膜病變，AUC 為 0.958，敏感性和特異性分別為 100 和 91.1％。
ai
人工智慧雖然會取代許多工作，但同時也會成為各行各業的助手，透過機器學習，可提高以數據為基礎的決策精確性，不僅在臨床檢驗上能節省人力與時間，更重要的是：藉由機器處理來降低人為判斷疏失的風險。這些研究帶給我們的，除了深度學習算法在病理診斷的潛在效用，但是未來需要在臨床環境中持續進行評估，才能擴大人工智慧在醫療上的應用 。
通過機器學習增加檢測準確率
英國癌症研究中心的研究和創新執行主任福克斯說：「利用 AI 的力量，我們可以解決乳癌研究中一些最大的挑戰，包括提高癌症檢測的準確性。大多數癌症患者都是在癌症晚期被檢測出來，而癌症晚期已很難治癒。這就是為什麼英國的癌症研究中心正在發展這方面的能力，建立新的夥伴關系，並支持一個項目群體進行早期癌症檢測研究，以提高更多癌症患者的存活率。」
文 / Miggy Chang
參考文獻：
1.http://www.oncologynurseadvisor.com/breast-cancer/artificial-intelligence-breast-cancer-metastases-detection/article/713728/
2.https://jamanetwork.com/journals/jama/article-abstract/2665774?redirect=true
3.http://www.oncologynurseadvisor.com/skin-cancer/algorithm-matches-dermatologists-in-melanoma-carcinoma-and-dermoscopic-melanoma-classification/article/636447/
4.https://www.ncbi.nlm.nih.gov/pubmed/29234807
©www.geneonline.news. All rights reserved. 基因線上版權所有 未經授權不得轉載。合作請聯繫：[email protected]
