未来疾病检测，AI 技高一筹?

2017 年 12 月 12 日，在美国医学协会线上杂志（the Journal of the American Medical Association），研究人员发表了一篇关于乳腺癌淋巴结切片转移情况的检测竞赛。这听起来并不特别，但如果，这是另一场人机对决，可能就引起你的好奇心了吧！?

机械学习表现比病理学家好 ?!

人工智能与机器学习在近几年大放异彩，而机器学习中的“深度学习算法”，其大多数的理论基础，在十多年或更早以前就已经开发出来，但过去受限于电脑运算能力，并不重到重视。然而，随着电脑运算能力的进步及网络的发展，产生愈来愈多可供深度学习的数位资料后，深度学习逐渐成为人工智能的主流。从 2011 年 IBM Waston 夺得智力问答比赛冠军，到 2016 年 Google AlphaGo 击败世界棋王，不仅在一般领域已打败许多佼佼者，现在更广泛应用在医疗专业与疾病诊断上。在科学家的努力下，人工智能已经可从医疗影像发现多种疾病，包括乳癌、皮肤癌等，史丹佛研究团队也曾训练机器学习从心电图来辨识心律不整疾病；而这次最新的挑战是研究人员让机器来诊断乳腺癌组织切片中淋巴结转移，结果表现竟然比病理学家还好？

我的主治医师是机器人 ?！史无前例！AI 考取医疗执照

来自荷兰 Radboud 大学医学中心的 Babak Ehteshami Bejnordi 与其团队，于 2015 至 2016 年间，通过免疫组织化学染色验证了来自荷兰 2 个中心和没有淋巴结转移的全幻灯片图像训练数据集，以挑战参与者构建算法。算法性能评估在一个独立的测试集的129 个全幻灯片图像（49 和 80 和无转移）。同一套相应的载玻片也由荷兰 11 名病理学家组成的时间限制（with time constraint, WTC）评估，比较病理学家和自动化深度学习算法，对乳腺癌女性淋巴结组织切片转移的诊断，谁比较精确？研究人员发现，此算法受试者工作特征曲线下面积（Area under the Curve of ROC, AUC ）为 0.556 至 0.994（0.9 ≦AUC ≦1.0 ：outstanding discrimination 极佳的鉴别力）。表现最好的算法获得的病变及真正分数与没有时间限制（without time constraint , WOTC）的病理学家相当，平均每张正常的全张幻灯片图像的误差为 0.0125 。

而在地球的另一端，新加坡国家眼科中心的 Daniel Shu Wei Ting 博士团队，透过 494,661 张视网膜图像，检测并评估糖尿病视网膜病和青光眼和年龄相关性黄斑变性（AMD）的 DLS 的表现。评估方式以受试者工作特征曲线（ AUC ）下的主要结果和测量区域，以及专业评分者（视网膜专科医师，普通眼科医生，训练有素的评分者或验光师）作为参考标准的 DLS 敏感性和特异性。研究人员发现糖尿病视网膜病变的 DLS 的 AUC 为 0.936，敏感性和特异性分别为 90.5 和 91.6％。对于视力不良的糖尿病视网膜病变，AUC 为 0.958，敏感性和特异性分别为 100 和 91.1％。

Adaptive Biotechnologies 与微软跨领域结盟透过 AI 解读人体免疫系统基因讯息

人工智能虽然会取代许多工作，但同时也会成为各行各业的助手，透过机器学习，可提高以数据为基础的决策精确性，不仅在临床检验上能节省人力与时间，更重要的是：借由机器处理来降低人为判断疏失的风险。这些研究带给我们的，除了深度学习算法在病理诊断的潜在效用，但是未来需要在临床环境中持续进行评估，才能扩大人工智能在医疗上的应用。

通过机器学习增加检测准确率

英国癌症研究中心的研究和创新执行主任福克斯说：“利用 AI 的力量，我们可以解决乳癌研究中一些最大的挑战，包括提高癌症检测的准确性。大多数癌症患者都是在癌症晚期被检测出来，而癌症晚期已很难治愈。这就是为什么英国的癌症研究中心正在发展这方面的能力，建立新的伙伴关系，并支持一个项目群体进行早期癌症检测研究，以提高更多癌症患者的存活率。”

文 / Miggy Chang

参考文献：
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