透视东谈主体并会诊的要道在于“花式识别”。发射科医师通过 X 射线和磁共振成像本事发现肿瘤加拿大pc28官网客服，而病理学家则使用显微镜不雅察来自肾脏、肝脏等部位的组织，寻找那些能够揭示癌症严重进度、特定调治效能以及恶性肿瘤可能滚动旅途的花式。
表面上讲，其实 AI 在这一范畴锦绣远景。“咱们的使命骨子上等于花式识别。”梅奥诊所数字病理学平台的病理学家兼医学主任 Andrew Norgan 示意，“咱们通过不雅察组织切片来索要那些已被解说具有紧迫敬爱的信息片断。”
自从 15 年前首批图像识别模子问世以来，AI 在视觉分析范畴的本领还是取得了显耀越过。尽管当今还莫得任何模子能够作念到完竣，但咱们不错思象，改日某天一个遒劲的算法大概能够发现东谈主类病理学家可能忽略的细节，或者加快会诊流程。
事实上咱们还是看到多个尝试构建此类模子的计算，仅在前年就有至少七项，然则这些模子当今仍然处于实验阶段。那么若何本领让这些模子充足锻真金不怕火并简直愚弄于临床呢？
本月早些时辰，东谈主工智能健康公司 Aignostics 与梅奥诊所互助拓荒的一个新模子发表在arXiv上。诚然该论文尚未经过同业评审，但它揭示了将此类器具愚弄于实验临床环境所濒临的一系列挑战。
这个模子名为“Atlas”，它在来自 49 万例病例的 120 万份组织样本上进行了磨练。计算东谈主员将其与其他六种来源的 AI 病理模子进行了对比测试，举例分类乳腺癌图像或对进行分级，将模子的瞻望松手与东谈主类病理学家的正确谜底相对比。松手露馅，Atlas 在九项测试中有六项发扬优于竞争敌手，止境是在对结直肠癌组织的分类中，它达到了东谈主类病理学家会诊一致性的 97.1%；然则在另一项任务中，Atlas 对前线腺癌活检中的肿瘤分类诚然得分越过了其他模子，但也仅为 70.5%。全体来看，在九项基准测试中的平均发扬，它与东谈主类各人疏通的谜底的占比为 84.6%。
就当今而言加拿大pc28官网客服，了解癌变组织细胞情景的最好身手仍然是由病理学家查验组织样本，因此 AI 模子的性能所以此为圭臬估量的。尽管在某些检测任务中，最好的 AI 模子还是接近东谈主类的水平，但在好多任务中仍然不足东谈主类。那么，一个模子需要多高的准确性本领在临床上简直有效？
“ 90% 的准确率可能还不够，需要更高的水平。” Providence Genomics 的首席医疗官、GigaPath 连合首创东谈主 Carlo Bifulco 示意。GigaPath 亦然梅奥诊所计算均分析的其他 AI 病理模子之一。然则，Bifulco 指出，“即使 AI 模子未达到理思的准确性，在短期内仍可能带来匡助，比如协助病理学家加快会诊流程。”
那么挑战主要有哪些呢？来源是磨练数据匮乏。
“好意思国惟一不到 10% 的病理学样本杀青了数字化。”Norgan 示意。这意味着组织样本一样被放在玻片上，通过显微镜分析，然后存储在宽敞的档案中，而从未被数字化记载。诚然欧洲的病理样本数字化进度更高，况且还是在致力于创建分享的组织样本数据集来供 AI 模子磨练，但仍然莫得太多可供使用的种种化数据。
枯竭种种化的数据会导致 AI 模子难以识别那些东谈主类病理学家还是掌抓的各式荒谬情况，这尤其影响荒废疾病的识别。Aignostics 的连合首创东谈主兼首席本事官 Maximilian Alber 指出，“关于这些荒废疾病的组织样本，在公开数据库中可能十年内只可找到 20 个样本，昭着这远远不足以用来磨练 AI 模子。”他说。
事实上，2022 年梅奥诊所就意志到磨练数据不足可能成为 AI 发展的紧要终止。因此，他们决定将总计病理样本进行数字化，并将其档案中数十年来积聚的 1200 万张经过患者愉快的样本切片进行数字化。为此，他们还专诚聘用了一家公司研发了一台机器东谈主对这些组织样本拍摄高诀别率相片（每月能够科罚多达一百万个样本）。通过这些致力于，团队最终网罗到了用于磨练“Mayo 模子”的 120 万份高质地样数据。
这又引出了 AI 癌症会诊的第二个问题。活检组织样本的直径一样惟一几毫米，但在显微镜下放大后，数字图像的像素数目可达到越过 140 亿，这使得这些样本的图像大小比当今用于磨练最好 AI 图像识别模子的粗野图像大要大了 287,000 倍。
“昭着，这意味着巨大的存储资本等问题。”微软 AI 计算员 Hoifung Poon 示意。他与Bifulco 互助拓荒了 GigaPath，这款模子的关系计算于前年发表在了Nature上。但这些本事挑战也迫使计算东谈主员作念出紧迫采取，包括若何详情图像的哪些部分愚弄于磨练 AI 模子，以及哪些细胞可能因此被忽略。为了创建 Atlas，梅奥诊所秉承了一种称为“切片”的本事，基本上是从兼并个样本中生成多数快照输入 AI 模子。而若何采取这些切片既是一门艺术，亦然一门科学，但当今仍不默契秉承哪种神色能够带来最好松手。
第三个问题则是针对癌症检测的 AI 模子应该以哪些基准手脚评价圭臬。Atlas 的计算东谈主员在复杂的分子关系基准上测试了他们的模子，其中包括尝试从样本组织图像中寻找踪迹，从而估量分子层面发生的情况。举例，体魄的错配设置基因在癌症发生和发展流程中饰演紧迫变装，这些基因安适设置 DNA 复制流程中出现的间隙，但若是这些间隙未被设置就可能加快癌症恶化。
“有些病理学家可能会告诉你，当他们不雅察到某些特定的组织外不雅时，会直观性地思到错配设置颓势。” Norgan 说谈。不外，病理学家一样不会仅凭直认为出论断，而是依赖分子测试来获得明确的谜底。Norgan 进一步指出，若是 AI 能够瞻望分子层面的变化呢？这种实验背后的要道问题是，AI 是否能够发现东谈主类肉眼无法捕捉的潜在分子变化，若是能够杀青，那将显耀莳植病剖析诊效能和精确度。
事实解说，谜底是含糊的，至少当今如斯。在分子测试中，Atlas 的平均准确率仅为 44.9%。尽管这是迄今为止 AI 在该范畴的最好发扬，但这一松手也意味着这项本事距离锻真金不怕火和实验愚弄还有很长的路要走。
Bifulco 示意，尽管 Atlas 只代表了渐进式的进展，但这确乎是在越过。他坦言：“缺憾的是，我嗅觉各人齐在兼并个水平上停滞不前，若是要杀青显耀的进展，咱们需要在模子上有不同的打破，况且需要更大的数据集来磨练这些模子。”
https://www.technologyreview.com/2025/01/21/1110192/why-its-so-hard-to-use-ai-to-diagnose-cancer/