“自学”人工智能工具有助于诊断和预测常见肺癌的严重程度

　　一项新的研究显示，一个基于近50万张组织图像数据并由人工智能驱动的计算机程序可以准确诊断腺癌病例，腺癌是最常见的肺癌形式。

　　

一项新的研究显示，一个基于近50万张组织图像数据并由人工智能驱动的计算机程序可以准确诊断腺癌病例，腺癌是最常见的肺癌形式。

纽约大学朗格尼健康中心珀尔马特癌症中心和格拉斯哥大学的研究人员开发并测试了这个项目。他们说，因为它包含了452名腺癌患者的肿瘤结构特征，这些患者是美国国家癌症研究所(National Cancer Institute)癌症基因组图谱(Cancer Genome Atlas)中超过1.1万名患者中的一部分，所以该项目为患者和肿瘤学家提供了关于癌症存在、复发可能性和时间(预后)的公正、详细和可靠的第二意见。

研究小组还指出，该程序是独立的和“自学”的，这意味着它自己确定哪些结构特征在统计上对衡量疾病的严重程度最重要，对肿瘤复发的影响最大。

6月11日发表在《自然通讯》在线杂志上的这项研究项目，也被称为算法，或者具体地说，组织形态学表型学习(HPL)，被发现能够准确区分相似的肺癌、腺癌和鳞状细胞癌，准确率达到99%。研究人员说，HPL程序在预测治疗后癌症复发的可能性和时间方面的准确率为72%，高于病理学家直接检查同一患者的肿瘤图像所做出的64%的预测准确率。

“我们新的组织形态学表型学习程序有可能为癌症专家和他们的患者提供一个快速和公正的肺腺癌诊断工具，一旦进一步的测试完成，也可以用来帮助验证甚至指导他们的治疗决策，”研究首席研究员Nicolas Coudray博士说，他是纽约大学格Grossman医学院和Perlmutter癌症中心的生物信息学程序员。

“患者、医生和研究人员都知道他们可以依靠这种预测模型，因为它是自学成才的，提供了可解释的决定，并且只基于从每个患者的组织中专门提取的知识，包括死亡细胞的比例、抗肿瘤免疫细胞、肿瘤细胞的密度等特征，”Coudray说。

“肺组织样本现在可以在几分钟内通过我们的计算机程序进行分析，以提供对他们的癌症是否会复发的相当准确的预测，预测比目前的肺腺癌预后的护理标准更好，”该研究的联合高级研究员Aristotelis Tsirigos博士说。Tsirigos是纽约大学格罗斯曼医学院和珀尔马特癌症中心病理学和医学系的教授，在那里他还担任精准医学的联合主任和应用生物信息学实验室的主任。

Tsirigos说，由于这些工具和肺癌生物学的其他进步，病理学家将在他们的电脑屏幕上检查组织扫描，而越来越少地在显微镜上检查，然后使用他们的人工智能程序来分析图像并产生自己的扫描图像。他们补充说，新的图像或“景观”将提供组织内容的详细分解。例如，它可能会注意到有5%的坏死和10%的肿瘤浸润，这对生存意味着什么。根据该项目中所有患者数据的信息，这一读数在统计上可能相当于80%的机会在两年或更长时间内保持无癌状态。

为了开发HPL程序，研究人员首先分析了来自癌症基因组图谱的肺腺癌组织切片。之所以选择腺癌作为试验模型，是因为这种疾病具有众所周知的特征。作为一个例子，他们注意到它的肿瘤细胞倾向于以所谓的腺泡或囊状模式聚集，并沿着肺细胞的表面衬里可预测地扩散。

通过对玻片的分析，研究人员从正常和病变组织中发现了46个关键特征，他们称之为组织形态学表型集群，其中一个子集在统计上与癌症的早期复发或长期生存有关。玻片的视觉图像被数字扫描并分成432,231个小象限或瓦片。随后，对2006年至2021年期间在纽约大学朗格尼分校接受腺癌治疗的276名男性和女性的组织图像进行了进一步和单独的测试，证实了这一发现。

研究人员表示，他们的目标是使用HPL算法为每位患者分配一个0到1之间的分数，以反映他们在5年内生存和肿瘤复发的统计机会。由于该程序是自我学习的，他们强调随着时间的推移，随着数据的增加，HPL将变得越来越准确。为了建立公众信任，研究人员已经在网上发布了他们的编程代码，并计划在完成进一步测试后免费提供新的HPL工具。

与肿瘤复发相关的特征包括死亡癌细胞和抗肿瘤免疫细胞淋巴细胞的高百分比，以及肺部外层肿瘤细胞的密集聚集。与生存率增加相关的特征是未改变或保存的肺囊组织的高比例，以及炎症细胞的缺乏或轻度存在。

齐里格斯说，该团队下一步计划开发类似于hpl的项目，用于治疗其他癌症，如乳腺癌、卵巢癌和结肠直肠癌，这些癌症同样基于独特的关键形态特征和额外的分子数据。该团队还计划扩大和提高当前腺癌HPL项目的准确性，包括其他疾病和疾病的医院电子健康记录的其他数据，甚至收入和家庭邮政编码。