人工智能在快速疾病检测方面超越人类 - 神经科学新闻

概括：研究人员开发的深度学习人工智能模型显着加速了动物和人体组织图像中病理学的检测，在某些情况下超过了人类的准确性。这种人工智能接受了过去研究的高分辨率图像的训练，可以快速识别癌症等疾病的迹象，而病理学家通常需要数小时才能发现这些迹象。

通过使用先进的神经网络分析十亿像素图像，该模型在几周而不是几个月内即可获得结果，彻底改变了研究和诊断过程。该工具已经在帮助动物疾病研究，并在人类医学诊断方面具有变革潜力，特别是对于癌症和基因相关疾病。

主要事实:

• 人工智能模型比人类更快、更准确地识别组织图像中的疾病。
• 它将分析时间从几个月缩短到几周，特别是在大规模研究中。
• 该模型通过在更广泛的背景下分析较小的图块来处理十亿像素图像。

来源：华盛顿州立大学

华盛顿州立大学开发的“深度学习”人工智能模型可以比人类更快、更准确地识别动物和人体组织图像中的病理或疾病迹象。

详细的开发过程，请参见 科学报告，可以大大加快疾病相关研究的步伐。它还具有改进医学诊断的潜力，例如在几分钟内从活检图像中检测出癌症，而这一过程通常需要人类病理学家几个小时的时间。

“这个基于人工智能的深度学习程序在观察这些组织方面非常非常准确，”华盛顿州立大学生物学家、该论文的共同通讯作者迈克尔·斯金纳 (Michael Skinner) 说。“它可以彻底改变动物和人类的此类药物，从本质上更好地促进此类分析。”

为了开发人工智能模型，计算机科学家科林·格里利（前华盛顿州立大学研究生）和他的顾问教授劳伦斯·霍尔德使用斯金纳实验室过去进行的表观遗传学研究的图像对其进行了训练。

这些研究涉及大鼠和小鼠肾脏、睾丸、卵巢和前列腺组织中疾病的分子水平迹象。研究人员随后使用其他研究的图像测试了人工智能，包括识别乳腺癌和淋巴结转移的研究。

研究人员发现，新的人工智能深度学习模型不仅能够快速正确识别病理，而且比以前的模型更快，并且在某些情况下发现了训练有素的人类团队错过的实例。

“我认为我们现在有一种比人类更快、更准确的方法来识别疾病和组织，”该研究的共同通讯作者霍尔德说。

传统上，这种类型的分析需要由经过专门培训的人员组成的团队进行艰苦的工作，他们使用显微镜检查和注释组织切片，并经常相互检查彼此的工作以减少人为错误。

斯金纳的表观遗传学研究涉及在不改变 DNA 本身的情况下研究影响基因行为的分子过程的变化，对于大型研究来说，这种分析可能需要一年甚至更长的时间。

斯金纳说，现在有了新的人工智能深度学习模型，他们可以在几周内获得相同的数据。

霍尔德表示，深度学习是一种试图模仿人脑的人工智能方法，是一种超越传统机器学习的方法。相反，深度学习模型是由神经元和突触网络构成的。

如果模型犯了错误，它会使用称为反向传播的过程从中“学习”，在整个网络中进行一系列更改来修复错误，因此不会重复错误。

研究团队设计了 WSU 深度学习模型来处理极高分辨率的十亿像素图像，这意味着它们包含数十亿像素。

为了处理这些图像的大文件（即使是最好的计算机也会减慢速度），研究人员设计了人工智能模型来查看较小的单个图块，但仍然将它们放置在较大部分的背景下，但分辨率较低，这一过程其作用有点像放大和缩小显微镜。

这种深度学习模型已经吸引了其他研究人员，霍尔德的团队目前正在与华盛顿州立大学兽医研究人员合作，诊断鹿和麋鹿组织样本中的疾病。

作者还指出该模型在改善人类研究和诊断方面的潜力，特别是癌症和其他基因相关疾病的研究和诊断。霍尔德说，只要有数据，例如识别组织中癌症的带注释图像，研究人员就可以训练人工智能模型来完成这项工作。

“我们设计的网络是最先进的，”霍尔德说。“我们为本文与其他几个系统和其他数据集进行了比较，它击败了所有系统和数据集。”

资金：这项研究得到了约翰·邓普顿基金会的支持。华盛顿州立大学生物科学学院研究助理教授埃里克·尼尔森（Eric Nilsson）也是这篇论文的合著者。

关于人工智能研究新闻

作者：萨拉·扎斯克
来源：华盛顿州立大学
接触：萨拉·扎斯克 — 华盛顿州立大学
图像：该图像来自《神经科学新闻》

原创研究：开放访问。
—可扩展的深度学习人工智能组织病理学载玻片分析和验证— Michael Skinner 等人。科学报告

抽象的

可扩展的深度学习人工智能组织病理学载玻片分析和验证

深度学习涉及人工智能 (AI) 方法，已被证明可以为自动化图像识别任务提供卓越的性能，并且在时间和准确性方面超越人类的能力。

组织病理学诊断是人工智能、计算机视觉和医学交叉领域中最常见的挑战之一。

由于这些图像的尺寸较大以及生物组织中存在的特征的复杂性，开发自动检测和识别数字化组织学切片中的病理的方法带来了独特的挑战。

大多数能够在组织病理学中进行人类水平识别的方法都是针对特定问题进行调整的，因为计算复杂性超过了传统图像分类问题的计算复杂性。

在当前的研究中，开发并提出了一种深度学习方法，可以训练该方法在十亿像素数字化组织学幻灯片中定位和准确分类不同类型的病理，同时完成整个图像的二元疾病分类。

该方法使用新颖的金字塔平铺方法来利用待分类区域周围的空间意识，同时保持十亿像素图像的效率和可扩展性。

该方法在多种组织类型（即睾丸、卵巢、前列腺、肾脏）和华盛顿州立大学表观遗传改变组织学研究中获取的病理学上进行了训练和验证。

新开发的程序经过优化和验证，并在公共组织学数据集上进行比较和验证。

与手动程序相比，当前开发的程序被发现是最佳的且更具可重复性，并且比以前使用碎片组织或载玻片分析的方案也是最佳的。

观察结果表明，深度学习组织病理学分析比标准手动组织病理学分析显着更高效、更准确。