>

医学AI的第一个前沿是病理学实验室

- 编辑:网赌十大信誉的平台 -

医学AI的第一个前沿是病理学实验室

  想象一下,你正在咳血,胸部扫描显示肺部有可疑的肿块。外科医生从潜在的肿瘤中取出一个小的圆柱形样本,病理学家将非常薄的组织切片放在载玻片上。在保存和染色组织后,病理学家通过显微镜观察,发现细胞具有肺癌的迹象。在肿瘤扩散和生长之前开始治疗。

  这就是病理学家如何杀死你:专家医生只能错过癌症。或者,更可能的是,将幻灯片上观察到的细胞错误分类为错误的癌症亚型。您可以接受传统的化疗,而不是让您的癌症进行有针对性的治疗,从而为您带来更多的生命。

  人工智能病理学家可能不会犯这个错误。人工智能(AI)系统受到大量数字化幻灯片的培训,可以提供比人类病理学家更准确的诊断,至少在相当死记硬背的诊断任务中。他们甚至可能会接受那些训练有素的人眼永远看不到的细微特征。在这个关键的,高风险的医学分支中,人工智能工具可能很快就会提供诊断和治疗建议 - 这些建议与我们在可预见的未来可能获得的一样接近绝对可靠。他们将在几秒钟内完成。

  最近,人工智能系统在识别某些特定疾病的存在方面成功率非常高,这促使人们猜测这些工具将取代医生。但病理学的发展向我们展示了一种更可能的结果:机器将使人类日益复杂的现代医学变得易于管理。这种人机组合将超越任何可以单独进行的操作。起初,改进很小。但最终,它会很棒。

  “机器学习的前景是增加病理学家可以单独做的事情,” 密歇根大学病理学系信息学部主任,一家名为Inspirata的数字病理学公司的首席战略官尤利西斯巴利斯说。“这些技术使得该行业能够随着需求的增加而扩大规模。”

  在典型的病理学工作流程中,将活检组织样本切片,保存和染色,以便病理学家可以在显微镜下检查载玻片上的组织。在新的数字工作流程中,幻灯片被扫描并导入到软件程序中,该软件程序使用其机器学习培训来发现细微的模式并向病理学家提供信息。

  病理学家 很明显,人工智能医学的时代已经开始。在过去的一年中,由机器学习算法驱动的大量诊断工具已进入临床市场,使得更容易发现手腕骨折,糖尿病眼病和中风迹象,很少或根本没有人为输入。但是这些早期应用仅仅是由专家诊断医生执行的自动化任务,并且它们通常只是解释图像,例如X射线和CT扫描。该软件在分析精度和准确度方面可能比训练有素的专家略微优势,而且几乎总是更快。然而,该技术并没有从根本上扩展今天的诊断可能性。

  相比之下,AI病理学将是激进的 - 它即将到来。在2019年,几家公司将要求美国食品和药物管理局批准该领域的第一个AI支持的工具。与放射学和眼科学等领域不同,其中诊断通常仅限于视觉领域,病理学诊断可以结合生物化学,免疫学和遗传学工具,为薄切片和染色组织标本的图像添加分子细节。

  结合所有这些数据,AI可以得出世界上最好的临床医生无法做出的诊断推论。所以说,安德鲁H.贝克,病理学家通过培训谁共同创立并运行一个三十岁启动时调用PathAI,总部设在波士顿。他说他的工具将真正改善诊断的准确性和治疗效果。“病理学将是我们第一次看到人工智能真正彻底改变医学的领域之一,”贝克宣称。

  在这种思路中,贝克并不孤单。软件巨头(包括谷歌和IBM),医疗设备制造商(包括飞利浦和徕卡生物系统公司)以及数十家初创公司正在开发模式识别算法,以帮助病理学家使用玻璃载玻片上的组织数字化图像来发现癌细胞或其他患病细胞。支持者指出,今天不到2%的医学毕业生选择进入病理学; 智能软件可以缓解全球短缺,减轻负担过重的专家的工作量。

  “这些是智能指南,将帮助病理学家更有效地完成工作,” 匹兹堡大学医学中心病理学信息学研究员Michael J. Becich说。“这实际上是癌症治疗专业知识的民主化,” 纽约市Memorial Sloan Kettering癌症中心的计算病理学家Thomas Fuchs说。Becich和Fuchs最近都创办了自己的 公司,其目标与Beck的PathAI相似。

  Beck的优势在于他对病理学和软件的深入了解。他是一名病理学家,他寻求计算机科学培训,将他的学科 - 一个植根于19世纪显微镜技术的学科 - 带入21世纪。“安迪知道分子生物学和遗传学,他知道深学习,他有足够的资金,以这些东西整合,说:” 斯图尔特施尼特,乳腺癌病理学家在波士顿的布里格姆妇女医院和科学顾问PathAI。为了推动他的观点,施尼特使用了一个运动类比:“他相当于五个工具棒球运动员。”也就是说,一个全面的艺术家。

  对于那些选择将他的公司安置在距离波士顿神圣的棒球场芬威公园不到200米的人来说,这是一个恰当的比喻。在公司总部,Beck提供了PathAI平台的演示。他放大和缩小一小部分癌性肺组织的数字图像,在显微镜载玻片的标准视图和彩色叠加之间切换,通过突出显示特定细胞或癌症相关蛋白来丰富视图。

  其他数字病理学初创公司也提供了这种类似Google Map的肿瘤细胞形态和潜在分子模式的视角。但是,PathAI系统背后的真正力量对用户来说是不可见的。该公司在数字化载玻片上训练其机器学习算法,并结合临床数据,如肿瘤侵袭性,治疗计划和患者结果,使其能够进行远远超出任何人类大脑能力的统计分析。

  该公司的模型不仅对敌人进行侦察,检测癌细胞并评估肿瘤的进展; 他们还建议攻击线。他们通过计算包围肿瘤的免疫细胞并确定这些细胞是否具有某些特性使其对最新的免疫疗法有用,这些疗法可以增强身体对抗癌症的天然防御能力。

  所有这些信息对于像Bristol-Myers Squibb(BMS)这样的药物开发商来说是非常宝贵的,这是使用PathAI平台的众多制药巨头之一,以确定为什么只有一小部分临床试验参与者对抗癌药物有反应。该创业公司现在正在从制药公司引入稳定的许可使用费,并将其收入增加到其在风险资本中筹集的1500万美元。

  BMS翻译病理学负责人Michael Montalto解释说,他的团队现在依靠PathAI的技术来确定活检样本中的肿瘤细胞是否被伪装蛋白质遮盖,从而使免疫细胞不会将癌细胞识别为危险细胞。像BMS的免疫治疗药物这样的药物可以有效地揭露肿瘤 - 但它们只适用于以这种方式隐藏自己的癌症。他说,这只是人工智能有用的一个例子。“我们正在推动我们在所有试验中经常使用这项技术,”蒙塔尔托说。

  为了帮助医生计划对肺部肿瘤的攻击,PathAI的软件映射了存在的组织类型[顶部],以红色显示了癌症进展的关键上皮细胞。它还制作了一个免疫细胞图[底部],显示为黄色方块,以确定新的免疫治疗药物是否可能对肿瘤有效。

  然而,人工智能病理学公司的巨大市场机会不在于研究环境。这是用于确定每个癌症患者肿瘤性质的标准诊断检查,并指导治疗方案。抓住这个市场只有一个障碍:整个病理基础设施必须改变。“你只能使用这些算法,如果你的幻灯片在你的病理学家去看它们进行诊断之前被数字化,并且没有很多地方可以做到这一点,” Radboud University Medical的计算病理学家Jeroen van der Laak说。中心,在荷兰。

  尽管许多病理学实验室现在制作玻璃载玻片的数字拷贝用于存档或事后研究项目,但是只有少数早期采用者(主要在欧洲)预先扫描它们以进行诊断。由于技术昂贵,医院在整合自动化全幻灯片成像方面进展缓慢:扫描仪价格高达250,000美元,另外还有存储千兆像素大小的图像文件的额外成本。

  俄亥俄州立大学综合癌症中心的数字病理学负责人Anil Parwani坚持认为这项投资是值得的,该中心是美国唯一一家病理学家现在将幻灯片数字扫描作为其常规诊断工作流程的一部分。Parwani说,由于医生生产力的提高和诊断错误的减少,他的医院的全数字平台将在五年内收回成本。数字化幻灯片还允许在线文件共享,而不是运送物理幻灯片进行远程诊断或第二意见。Parwani说,“它使工作流程变得更加健壮”,因为病理学家可以立即比较几个月间隔的活组织检查或在旅途中检查病例。

  巴尔的摩数字病理学初创公司Proscia的创始人兼首席执行官大卫韦斯特说,如果数字幻灯片扫描与强大的量化算法配合使用,附加值应该变得很明显。“这可能会比人们预期的更快地成为标准,”他说。当它确实如此时,“病理学家的角色肯定会发生变化。最好的病理学家将成为信息学家,最好的病理学实验室将成为信息学驱动的。“

  PathAI的Beck 在2000年代开始涉足布朗大学的医学院学生,当时他开始涉足定量图像分析。Beck 与病理学家Murray Resnick合作,帮助开发了一种计算机程序,用于评估食管细胞的大小,形状和其他特征,以确定患者患癌症的风险。这不是一个深度学习的算法,但他对量化医学的兴趣促使他到斯坦福大学,在那里他以博士学位的方式跟踪他的病理学住院医生。在AI科学家Daphne Koller的实验室里。该研究最终导致了计算病理学家或C-Path系统的发展,这是一种相当原始的机器学习工具,用于评估乳腺肿瘤的严重程度。2011年,该小组公布了其研究结果,展示了AI在病理学中的首批应用之一。

  当时,Koller说,“没有人采用这种非常广泛的数据驱动方法解决这个问题。”在之前的自动化组织分析尝试中,研究人员一般告诉他们的程序要寻找什么特征 - 正如Beck和Resnick所做的那样。五年前在他们的食管癌研究中做过。通过C-Path,Beck为他的算法提供了数百种功能,几乎每一个他都能想到并测量的功能。他让计算机代码处理剩下的事情。

  AI有时被批评为“黑匣子”。因为像C-Path这样的深度学习程序有效地教会了自己如何解释图像,所以不可能确切知道这些算法是如何达到最终决定的。然而,“只是因为它是一个黑盒子并不意味着你不能从中得到非常有用的想法,说:” 马特范德Rijn的,斯坦福大学的病理学家和贝克的导师之一。例如,感谢C-Path,Beck发现乳腺癌存活的最具预测性的特征不是在肿瘤细胞本身,而是在周围地区,人类病理学家认为很少。“这是一个惊人的发现,很可能导致病理学的新解释,”Van de Rijn说。

  在斯坦福之后,贝克回到东部,在哈佛医学院的附属公司贝斯以色列女执事医疗中心创办了自己的研究小组,在那里他退出机器学习算法,主要关注癌症流行病学。然后,在2015年,荷兰研究人员发起的一场国际比赛将他拉回了人工智能的颠覆性世界。

  Radboud大学的Van der Laak率先参加了此次竞赛,该竞赛挑战了机器学习专家,寻找早期发现乳腺癌的新技术。特别是,范德拉克要求研究人员发现潜伏在淋巴结内的浸润性乳腺癌,这一决定对于绘制正确的治疗方案至关重要。“这是每个病理学家都讨厌的任务,因为这是一项很多工作而且并不是真正的智能工作,”他说。如果一个算法可以完成任务,或者比人类更好,范德拉克认为,它会向医生证明人工智能是一种资产 - 可以让过度紧张的病理学家专注于更复杂的任务 - 而不是令人担心的事情作为工作杀手。

  淋巴结挑战中的癌症转移(Camelyon)没有安萨里X奖或DARPA大挑战的声望或财政支出。但有关人士表示,它刺激了计算机病理学的创新,正如那些知名竞赛帮助私人太空飞行和自动驾驶汽车启动行业一样。“每个人都在互相推动,以便变得更好,”贝克说,“因为每个人都想赢。”

  专家观点:在作为病理学家和人工智能科学家的培训后,安德鲁贝克确信机器学习工具可以彻底改变病理学的实践。

  Beck的团队想出了一个简单的方法,取得了很大的成果。他们设计了一个两步验证系统,以确保AI最初标记为“清洁”的所有组织块都确实没有癌症。在确定载玻片是否含有肿瘤细胞时,以及确定癌组织在较大组织样本中的位置时,所得到的算法被证明与专家病理学家一样好并且有时更好。Beck的团队最终击败了其他22个团队,在Camelyon排行榜上拔得头筹。

  除了吹牛的权利(以及在布拉格举行的2016年IEEE国际生物医学影像研讨会上颁发的金色1TB外置硬盘奖),贝克说这次胜利也让他有信心独自冒险。2017年1月,他辞去了哈佛大学的终身职位,并致力于PathAI。

  该公司目前正在开发三种类型的决策支持工具。首先,PathAI正在开发算法,以接受病理学家最厌恶和重复的琐事,例如识别淋巴结中的转移(Camelyon挑战中的应用)以及癌细胞是否存在的其他简单测定。Beck说,这些并不困难,但它们耗费时间并且不被认为是人类专业知识的最佳用途。PathAI目前与荷兰健康科技巨头飞利浦公司合作开发了一种用于自动检测乳腺组织癌变病变的图像分析系统。

  第二个应用涉及确定癌症的“等级”。约翰斯霍普金斯大学的病理学家乔纳森爱泼斯坦在巴尔的摩描述了这种关于肿瘤侵袭性的决定是“困难的,主观的,也是治疗中最关键的方面之一。”爱泼斯坦,PathAI的顾问和泌尿外科专家癌症正在与该公司合作,以训练其算法,以诊断前列腺和其他器官的肿瘤。

  最后,该公司正在进一步开发生物标志物检测工具,就像制药公司用来了解谁可以从他们的药物中受益一样。如果在临床试验中得到验证,那些相同的算法可以帮助医生为所有患者个性化药物选择。

  迄今为止,PathAI已经测试了其在肺癌,膀胱癌,皮肤癌,前列腺癌,乳腺癌,结肠癌和胃癌中的软件。“这个平台非常易于转移,这就是我们能够处理几乎所有主要实体肿瘤的原因,”Beck说道,“每个新项目和每个新指标都会越来越好。”

  与任何新技术一样,存在超出机​​器学习可以为该领域做什么的风险,但密歇根大学病理学家David McClintock坚持认为,试点研究表明这种承诺是真实的。“如果适当部署,机器学习工具可以提供帮助,”他说。“我不认为这是炒作。这是一个事实。“人工医疗改善人工智能的最大障碍可能是让监管机构批准这些新工具并让医生使用它们。

  但随着技术的成熟,一个大问题就出现了:人工智能能否超越援助并最终完全取代人类病理学家?贝克解除了失控的可能性。“这只是陈词滥调,人们无法摆脱他们的头脑,”他说。他说,机器学习可能有助于特定的诊断任务,但为病人找到最佳治疗方法需要综合多种类型的临床信息,包括细胞染色,蛋白质注释,基因概况和电子健康记录。需要仔细判断将所有信息放在一起,并制定明确的诊断和治疗计划。这种综合是人类病理学家展示其价值的地方,贝克说:“人工智能本身并不能解决这个问题。”

本文由教育发布,转载请注明来源:医学AI的第一个前沿是病理学实验室