如何为乳腺癌进行治疗决策，更准确，价格实惠

想象一下，成为一名医生，并在你身边永久居住，让您对疾病的辉煌洞察力，并帮助您识别患者的最佳治疗路径。

Salesforce Research的一支团队认为，由于AI视觉技术和机器学习的一系列令人兴奋的发展，这一情景更接近现实。

乳腺癌率上升

乳腺癌每年影响全世界超过200万名女性，在美国八个妇女中有八个妇女在终生的过程中发展乳腺癌。在美国男子中还有2,550例乳腺癌患者。2018年。令人惊讶的是，乳腺癌率在全球几乎每个地区都在增加。

Salesforce研究与埃里森研究所合作开发入员，a深度学习算法这可以确定激素受体状态 - 在决定适当的治疗路径时为临床医生提供关键生物标志物乳腺癌患者- 优异的敏感性和特异性。

在使用AI试图改善乳腺癌患者的结果时不是新的，努力直到现在 - 例如谷歌的AI乳腺癌筛查工具 - 在很大程度上重点关注诊断癌症。

什么使入员独特的是，它专注于改善治疗决策的方法，用于乳腺癌患者。具体地，储物预测来自廉价和普遍存在的组织图像的激素受体状态。与目前的护理标准相比，这需要一种更昂贵，较少广泛的组织图像和培训的病理学家来查看这些图像。

至关重要的是,因为它是一个更便宜,更快的方式确定受体状态比通常使用的系统今天像美国这样的国家,它有可能使高质量的决策对乳腺癌的治疗更多的全球accessible-allowing病人接受最好的治疗路径,不管他们的医疗系统中有多少专业知识。

接收项目如何开始

入学人员的发展源于Salesforce研究人员和David Agus博士的谈话，劳伦斯J.埃斯科州USC转型性医学研究所的创始董事兼首席执行官。

AGUS博士是着名的肿瘤科学家和医学与工程教授。他解释说，长期以来一直是癌症医生的信仰肿瘤细胞包含有关癌症的重要信息，即人类大脑不能完全提取。

“人类大脑非常善于确定基于细胞中的模式是否存在癌症，”agus博士说，“但它无法确定与癌症结果相关的这些模式的微妙差异。换句话说，分子开/关开关是什么。“

这意味着患者可能被诊断出患有癌症，但随后必须等待数周的分子研究结果，以确定他们应该接受何种治疗。

“我们的团队一直在努力使用AI了解细胞模式，并有助于使治疗决策多年。我们有可能会瞬间与AI和机器学习瞬间找到对这些分子问题的答案，”Agus博士说。

这就是Salesforce研究团队进来的地方。“我们有一个世界一流的AI研究团队，”Salesforce Research领先研究科学家Nikhil Naik说，这项研究的第一个作者，补充说，“合作也与我们的哲学相匹配发展技术不仅仅是公司的目的，而且对人民和世界产生积极影响。“

有博士学位。在来自麻省理工学院的计算机愿景中，Naik表示，他早早意识到，Salesforce将处于理想的帮助。

发现眼睛无法看到的癌症线索

该团队开发了一种AI解决方案，可以通过学习肿瘤图像中的斑点模式来提取关于乳腺癌的重要线索，使用廉价和广泛的成像过程。Naik给出了一个简单的类比。

假设你有意发生，你认为你可能已经打破了你的手臂。如果，而不是必须去医院X射线，你只能拍摄手机上的手臂照片，AI算法可以确定你是否有骨折？

“这与我们正在做的事情非常相似。我们正在更换一个昂贵的耗时的过程，需要专门的技术，使用人工智能具有更简单，更广泛的技术的技术。”[MC（2]

那么这是如何在实践中工作的？通常，当患者被诊断患有乳腺癌时，病理学家将使用称为免疫组织化学（IHC）染色的过程分析其肿瘤组织，以寻找允许癌症生长的激素受体的存在。这有助于他们决定最佳治疗过程，例如激素治疗或化疗。

IHC染色的问题是它在世界许多地方昂贵，耗时，而不是容易获得，特别是在发展中国家。

受体网已经学会了通过一种更便宜和更简单的成像过程来确定激素受体的状态——苏木精和伊红(H&E)染色——分析细胞的形状、大小和结构。

入员已经在几千H＆E图像幻灯片上培训，每个图像幻灯片包含数十亿个像素，来自世界各地数十家医院的癌症患者。

医学人工智能部门负责人、该研究的合著者安德烈•埃斯特瓦(Andre Esteva)表示:“该算法能够观察单个像素，并确定人眼可能无法察觉的微妙模式。”他解释说，这些模式可以为如何治疗癌症提供重要线索。

医疗AI迎来了激动人心的时刻

自2019年初以来，Naik和Esteva一直领导Salesforce的团队，专注于为社会益处提供AI应用，主要是在医学和科学领域。最近，该团队为Covid-19创建了搜索引擎，以帮助研究人员和临床医生找到更快的信息。

“为学术界而言，为行业做出这种研究的重要益处。当学术界而言，AI团队往往蓬勃发展，因为随着工业规模计算能力和工业规模预算 - 因为这些元素使得迅速实验更容易”埃斯图瓦尔说。

“我认为AI的最有影响力的应用将在医疗保健中，”Comproards Scientist Ali Madani添加了帮助电脑视觉算法，该算法能够为备用电脑。

Madani热情地谈论变革的影响，AI可能对人们的生命。“有可能改善整体社会的直接应用程序，”他说。“这是吸引我AI和医疗保健的潜在动机。”

消除偏差，改善可达性，转化医学

那么，这可能对临床医生和患者意味着什么？确定H＆E污渍的激素受体状态的能力可以使治疗更便宜，更容易获得，特别是在发展中国家。

阿古斯博士说，这也意味着患者不必在诊断和开始治疗之间痛苦地等待。

提出这种新技术的未来用例，agus博士说，“想象一下，当一个女人进入她的诊断时，我们可以在现场告诉她她的治疗应该是什么。或者在第三世界国家（如果分子测试不可用），想象一下，只是通过扫描幻灯片，告诉一个女人，她可以获得可以在控制下放置乳腺癌的避孕药。突然间，医学突然存在转型。“

为了为医学提供全部潜力的AI，临床医生必须首先对其准确性有信心。

“只有80％精确的算法对于关键应用不够好，类似于确定对患者提供哪种癌症治疗，”Naik承认。

在受体网项目的测试阶段，当算法在从未见过的图像上进行测试时，它在激素受体测定方面达到了92%的准确性，这表明了其未来临床应用的潜力。

众多小，增量变化是为了确保算法能够提供准确的预测，无论其分析的组织样本的制备差异如何。至关重要，该算法还能够在不同的人口组中提供可靠的性能。

长期以来一直担心医疗保健和基于证据的药物可以反对某些群体偏见，因为它们通常在证据基础中经常出现。然而，在接收人员的发展期间，研究人员能够在各种不同的群体中实现准确的结果，这可能是至关重要的，以便在医疗保健专业人员之间建立对AI性能的信心。

Naik说，“我们通过基于年龄，种族和位置的东西分割数据来分析这一点，统计上的算法性能没有差异。”

密切合作的重要性

在整个设计过程中，Salesforce团队与埃里森研究所的阿古斯博士、丹·鲁德曼博士和迈克尔·f·普莱斯博士密切合作，以确保他们意识到输入模型的数据中可能存在的任何偏差。这种密切的合作也有助于确保团队的目标与临床工作流程和临床医生、医生和护士会感兴趣的问题紧密结合。

尽管如此，团队意识到并非每位医学专业人员都很容易确信可以依赖AI。

Naik说，他们发言的病理学家最初是持怀疑态度的，解释了基于H＆E Slide的这种预测不是病理学家可以自己做的。

“但是，当他们看到算法工作得很好时，它们留下了非常深刻的是，它能够通过学习数千个图像来实现这些预测 - 以及它能够确认他们的怀疑是什么类型的模式预测。这对他们来说非常令人印象深刻和令人兴奋。“

阿古斯博士表示同意。“当我们第一次开始研究如何用人工智能和机器学习即时回答分子问题时，我们取得了一些不错的结果。但当我们与Salesforce合作时，这些结果从优秀变成了优秀。”

长期和短期影响

从临床的角度来看，这项技术最终会带来一些积极的影响。在一个发达国家如美国，它可以降低照顾的成本和发起的时间乳腺癌治疗，因为它使用了更便宜的成像技术和自动化决策。它还可以提高准确性，为患者提供更好的结果。

在进入IHC染色的发展中国家的发展中国家，它可能对扩大对治疗获得的影响。

这项工作的直接效果是为未来的研究奠定基础，以比较病理学家使用和不使用这种类型的AI的临床工作流程，以便更好地了解其全部潜力。

AGUS博士说，“这只是冰山一角，我们将能够与癌症护理中的AI能够做什么。这只是一个试点项目，以展示什么是可行的。现在，我们可以变得更深，更深，我可以设想一天不太遥远，只要通过看幻灯片，我可以在AI的帮助下告诉别人'你会因为细胞的方式得到药物x而不是药物y。被安排'。“

对埃斯特瓦来说，这个项目最令人兴奋的一点是，它展示了人工智能可以做的不仅仅是模仿医生的角色。

“我们在这里所做的实际上是训练人工智能做一些医生做不到的事情，作为一种附加能力。人工智能可以看到医生根本看不见的模式，这对病人可能至关重要。”

AI最终也可能对医生关系产生积极影响。通过访问AI动力的洞察力，医生可以在其治疗路径的早期阶段与他们的患者有更多明智的对话，使其成为可能在治疗和治疗方面可能撒谎的更全面的数据驱动的图片。

进入未来

Esteva热衷于强调AI将有助于增加医生的角色，而不是取代它。

“真正让我兴奋的是思考，‘未来5年或10年它会走向何方?’”不幸的是，我们很多人都会遇到这样的情况:我们所爱的人接受了错误的治疗或被误诊。你最终会问自己，如果做了一个稍微好一点的决定，他们的生活会有什么不同。一个瞬间就能对病人的生活产生多年甚至几十年的连锁反应。”

“医生应该能够根据所有现有的医学知识做出尽可能最好的决定。如果你能通过利用医生和医疗数据的集体智慧，打造出能够帮助医生做出正确决定的人工智能，那将是非常强大的。”

agus博士补充道，“AI和机器学习将推出一个新的时代，有可能适用于超越的疾病癌症最终为患者创造更好的结果。它不会发生一夜之间，它将是一个缓慢，逐步的过程，但我们通过在未来十年内开始旅行，以通过数据来改善我们所做的各个方面。这真的很令人兴奋。“

该研究发表在自然通信。

---

---