大家好，這里是老上光顯微鏡知識課堂，在這里你可以學到所有關于顯微鏡知識，好的，請看下面文章： 幾十年來，醫生一直依靠訓練有素的人類病理學家的眼睛來診斷癌癥。科學家和醫生將顯微鏡聚焦在組織切片上，以有序的方式記錄細胞的形狀、大小和環境。此后，這些數據被用于確定患者的狀況。
    
     在今天發表在《自然醫學》雜志上的一項新研究中，紐約大學的科學家重新訓練了現成的Google深入學習算法，以區分兩種最常見的肺癌類型，準確率為97%。
    
     這種類型的人工智能，在上傳到谷歌網站上的圖像中識別人臉、動物和對象，已被證明擅長診斷疾病，包括糖尿病失明和心臟病。
    
     但是紐約大學的神經網絡已經學到了病理學家從未做過的事情：一張圖片可以識別每個腫瘤中的基因突變。
    
     我認為真正新穎的不僅是人工智能和人一樣好，而且它提供了人類專家無法提供的見解。研究。
    
     為此，Tsirigos的團隊從Google的Inception v3開始，這是一個開源算法，Google訓練它識別1000種不同的對象。
    
     為了教授區分癌組織和健康組織的算法，研究人員展示了從癌癥基因組圖譜中拍攝的數十萬張圖像。
    
     一旦Inception知道如何以99%的準確率篩選癌細胞，下一步就是教它區分兩種類型的肺癌，腺癌和鱗狀細胞癌。
    
     雖然在顯微鏡下它們看起來很相似，但是治療這兩種癌癥卻大不相同。對于病人來說，正確的治療意味著生死之別。
    
     當研究人員在紐約大學對癌癥患者的單獨樣本《盜夢空間》進行測試時，其準確度略有下降，但下降幅度不大。
    
     Tsirigos說，這并不奇怪，因為醫院樣本比冷凍TCGA樣本攜帶更多的噪音、炎癥、死亡組織和白細胞處理。
    
     提高度將僅僅允許病理學家用更多的附加特征來注釋組織切片，因此算法可以學習挑選它們。
    
     但是，并不是人類的幫助教會了《盜夢空間》去發現那些組織切片上的突變。這種技能是通過算法本身來學習的。
    
     當他們在新的圖像上測試他們的系統時，它不僅可以識別出什么顯示出癌組織，而且可以識別特定組織樣本中的基因突變。
    
     但這些微妙的變化是什么呢我們不知道。它們被埋葬在算法中，沒有人真正知道如何提取它們。
    
     這是深層學習的黑箱問題，但在醫學領域尤為迫切。批評者認為，這些算法必須首先使其創建者更加透明，才能被廣泛使用。
    
     否則，人們將如何能夠感知到他們不可避免的失敗可能是影響患者生存和死亡的嚴重問題。
    
     但是康奈爾大學卡里爾和以色列卡里爾和英格蘭醫學研究所主任奧利維爾·莫里托說，即使你不知道它是如何工作的，你也可以不用99%的時間正確回答問題。臨床試驗也是愚蠢的。
    
     但是要達到理想的可靠性并不容易。不同的醫院使用不同的儀器和程序來處理腫瘤樣本。教授一種算法來覆蓋所有這些變異性確實是一項困難的任務。
    
     但這是Tsirigos和他的團隊計劃做的。在接下來的幾個月里，研究人員將繼續訓練他們的人工智能程序以從更多不同的來源獲得更多的數據。
    
     想象一下，發送一個腫瘤樣本的數字照片，并獲得完整的診斷和可行的治療幾乎瞬間。
    
     斯坦福癌癥研究所（Stanford Cancer Institute）生物醫學信息學主任丹尼爾魯賓（Daniel Rubin）說，更大的問題是，這種方法是否足夠可信，可以取代目前的方法。
    
     他說，如果將來沒有大量的驗證工作，這是不可能的。但是它確實指出了病理學家在計算機領域工作的前景。
    
     隨著Google和其他公司提供更先進的算法作為開源，研究人員現在可以相對輕松地開始他們自己的AI項目。
    
     通過一些定制，這些神經網絡可以開始分析大量的生物醫學圖像數據，而不僅僅是腫瘤圖像。
    
     至于算法培訓，Tsirigos也提到，起初他不敢邀請紐約大學的任何人參加。畢竟，他們會幫助創造一個未來的競爭對手。
    
     但最終，事實證明，招聘很容易。人們很想知道《盜夢空間》能做什么。不僅是肺癌，還有他們自己的項目。
    
     Tsirigos說他們并不擔心被替換，他們樂于提出更深層次的問題，因為機器可以處理簡單的問題。
    
     網站網友點擊量更高的文獻目錄排行榜： 點此鏈接 關注頁面底部公眾號，開通以下權限： 一、獲得問題咨詢權限。 二、獲得工程師維修技術指導。 三、獲得軟件工程師在線指導 toupview,imageview,OLD-SG等軟件技術支持。 四、請使用微信掃描首頁底部官主賬號！