利用人工智能的力量来检测疾病

由悉尼大学的Wang Xiu - Ying教授和Manuel Graeber教授领导的一项大型国际合作，开发了一种创新的、先进的人工智能(AI)应用程序，即PathoFusion，可用于常规组织样本的检查，以确定癌症的指征。

研究融合了贡献计算机科学家神经病理学家、神经外科医生、医学肿瘤学家和医学影像科学家。

Ansto's Richard Banati教授，医疗辐射科学教授/医学成像教授，使用先进的医学成像技术研究大脑的先天免疫系统，是在癌症中发表的论文的共同作者。

“病原体融合背后的想法是创建一个新的先进的深度学习模型，以识别恶性特征和免疫反应标记，独立于人类干预，并同时在a数字图像,”Banati解释道。

科学家专门设计了一个双焦深度学习框架，类似于显微镜专家在组织病理学图像分析中的工作方式。该框架使用了卷积神经网络(ConvNet/CNN)，它最初是为自然图像分类而开发的。

这种深度学习算法可以采用输入图像，为图像中的各个方面/对象分配重要性，并将其与另一个方面分化。

评估模型的实验涉及从胶质母细胞瘤的病例检查组织，这是一种影响大脑或脊柱的侵袭性癌症。

该团队使用神经病理学家的专家输入来'培训'软件来标记关键功能。

实验证实，该应用在识别和映射六种典型的神经病理学特征时达到了高水平的准确性，这些特征是恶性肿瘤的标志物。

Pathofusion可靠地确定了具有94％和94.7％的灵敏度的形式和结构特征。和免疫标记的精度为96.2％，灵敏度为96.1％。

该应用将关于死亡或染色组织的信息层，微观血管和其他脉管系统的增殖与肿瘤遗传标志物，CD276的表达，CD276在与热图中结合的图像中。

该图像使用强烈的颜色来描绘特征及其分布。传统的染色技术通常是单色的。

“研究证实，可以训练神经网络有效地使用相对较少的病例，在某些情况下应该是有用的。”

该研究在有效培训中取得了成功卷积神经网络识别染色幻灯片中的关键特征，改善模型并提高特征识别的有效性（具有较少的物理情况，而不是神经网络训练的常规需要），并建立一种包括免疫数据的方法。

常规形态学诊断工作是由病理学家进行的，他们在显微镜下检查单个载玻片，以标记和量化疾病标记的特征，并向临床医生提供信息。

悉尼大学和大脑与思维中心的曼纽尔·格雷伯教授说:“预计硬件在计算方面的进一步改进，当整个组织切片在高分辨率下使用时，它的识别速度将超过人类微观特征识别的数量级。”

“未来，该模型可以通过促进在没有本地服务的情况下促进微观分析或益处患者来改善神经病理学或病理单元的工作流程，”Banati解释说。

---

---