众所周知，人工智能在医学领域内进军最为迅速的是影像科，医院内也有大量数据的科室，也是AI可以大展身手的地方。大多数疾病的诊断，病理结果还是“金标准”，而在此过程中病变组织的病理切片就显得尤为重要，尤其是肿瘤组织的良恶判断、分型、分期；同时病理科医生也每天埋头于组织切片的制备与判读中，那么AI的快速发展能否为病理科医生分担一些重任了？
最近（-09-17）发表在《NaturMdicin》上的一项研究就为病理科医生以及肿瘤科医生（研究者）带来了新的曙光，该项研究是由纽约大学医学院完成的，他们的研究表明利用深度学习可以对非小细胞肺癌的病理切片结果进行分类以及突变基因的预测。
研究简介
研究标题：Classificationandmutationprdictionfromnon-smallclllungcancrhistopathologyimgsausingdplarning
发表杂志:NaturMdicin（IF：32.）
发表日期：-09-17
研究者：NicolasCoudray,PaoloSantiagoOcampo,ThodorSakllaropoulos,NavntNarula,MatijaSnudrl,DavidFny?,AndrL.Morira,NargsRazavian,AristotlisTsirigos
研究单位：NYUSchoolofMdicin
1背景介绍
组织病理学载玻片是目前病理科医生家评估肺癌进展阶段、分类和分型的主要方法之一。腺癌（LUAD）和鳞状细胞癌（LUSC）是最常见的肺癌亚型，它们的区别需要经验丰富的病理科医生。
2研究方法
在该项研究中，研究者在从癌症基因组图谱获得的全幻灯片图像上训练了一个深度卷积神经网络（初始v3），以准确和自动地将它们分类为腺癌、鳞状细胞癌或正常肺组织。
图1:该研究中所用的数据和方法。
3研究结果
（1）肺癌分类：该方法的表现与病理学家的表现相当，模型评价ROC曲线下的平均面积（AUC）为0.97。
图2：深度学习对非小细胞肺癌的识别与分类。
（2）突变基因预测：该研究的模型在冰冻组织、福尔马林固定的石蜡包埋组织和活组织检查的独立数据集上得到验证。此外，该训练网络预测腺癌中十个最常见的突变基因。发现其中6个：STK11、EGFR、FAT1、SETBP1、KRAS和TP53-可以从病理图像中预测，在人群中测量的AUC为0.-0.。
图3：深度学习通过病理切片对非小细胞肺癌基因突变的预测情况。
图4：深度学习预测非小细胞肺癌基因突变的空间异质性。
4研究讨论
研究者认为他们的研究结果表明，深度学习模型可以帮助病理科医生检测癌症亚型或基因突变。他们的的方法可以应用于任何癌症类型，代码可在以下处获得：中科白癜风医院十二周年庆北京白癜风治疗最好医院
推荐文章
热点文章
