應(yīng)該每個醫(yī)學(xué)生都經(jīng)歷過看病理切片的痛苦吧，瞇眼盯著顯微鏡好幾分鐘“找不同”真是一大折磨，可是不經(jīng)歷這千萬次的折磨，面對某些長得特別像的腫瘤咱們就得麻爪了。比如說同屬非小細(xì)胞肺癌的肺腺癌（LUAD）和鱗狀細(xì)胞癌（LUSC），雖然兄弟倆長得很像，但是在臨床上治療選擇卻大相徑庭。

幾十年來，醫(yī)生們就是靠著訓(xùn)練有素的火眼金睛來為患者尋找診斷依據(jù)的，不過或許很快醫(yī)生們就能夠從這種乏味的重復(fù)勞動中解脫出來了。

今天發(fā)表在《自然醫(yī)學(xué)》的一項新研究帶來了紐約大學(xué)研究者的最新成果。研究者們利用大量數(shù)字化病理切片圖像重新訓(xùn)練了谷歌的深度學(xué)習(xí)算法InceptionV3，AI識別癌組織和正常組織準(zhǔn)確率達(dá)到99%，區(qū)分腺癌和鱗癌的準(zhǔn)確率達(dá)到97%，遠(yuǎn)超前人研究！[1]

更令人驚訝的是，該算法能夠從切片圖像中識別肺癌常見六大基因突變，包括已有靶向療法的EGFR突變，準(zhǔn)確率能達(dá)到73%-86%。目前在單GPU上檢測一個數(shù)字切片的時間在20秒左右，研究者認(rèn)為，更新的技術(shù)加上多GPU并行處理，每個切片的檢測時間可以只有幾秒鐘！

無論發(fā)病率還是死亡率，肺癌都是我國癌癥中的頭號殺手，每年新發(fā)病例達(dá)到80萬，死亡人數(shù)則接近70萬。在占據(jù)了絕大多數(shù)的非小細(xì)胞肺癌中，肺腺癌（LUAD）和肺鱗狀細(xì)胞癌（LUSC）是兩個主要的亞型[1]，而它們二者的現(xiàn)有治療方案，從常規(guī)化療到最新的靶向治療，都是截然不同的[2]，所以準(zhǔn)確區(qū)分亞型就成了治療的一大關(guān)鍵。

病理組織切片是臨床上常用的分型手段。不過一是在幾十倍放大顯微鏡下，數(shù)據(jù)量巨大，二是癌細(xì)胞形態(tài)也未必有很明顯的區(qū)別能夠一下看出來，怎么能夠解放醫(yī)生的雙眼就很值得一究了。

此前有研究者利用隨機(jī)森林模型開發(fā)了病理切片的識別算法，區(qū)分腫瘤組織和正常組織的準(zhǔn)確率達(dá)到85%，亞型分型準(zhǔn)確率則達(dá)到了75%[2]；另一項研究則實現(xiàn)了83%的分型準(zhǔn)確率[3]。

紐約大學(xué)的研究者們選擇了谷歌的一種開源算法InceptionV3[4]，這是一種常用于分析視覺圖像的卷積神經(jīng)網(wǎng)絡(luò)（CNNs），在谷歌手里，它能夠識別一千種以上的對象，它也已經(jīng)成功被用于檢測皮膚癌癥[5]和糖尿病視網(wǎng)膜病變[6]了。

那么怎么讓AI認(rèn)識腫瘤組織和正常組織呢？給它喂知識！

研究者從基因組數(shù)據(jù)共享（GDC）數(shù)據(jù)庫中獲得了1634個數(shù)字化病理切片圖像，其中包括1176個肺部腫瘤組織和459個正常肺組織，它們又被分為三組，分別用來訓(xùn)練、驗證和檢測。

考慮到整個數(shù)字切片數(shù)據(jù)量很大，沒法直接用來分析，研究者們還把每個切片又進(jìn)一步分為512×512像素的碎片圖像，根據(jù)切片大小要分幾十到幾千份不等，平均每個切片分為約500個碎片。

不得不說機(jī)器真是聰明，吃了這些知識之后它一下就成了病理專家，區(qū)分腫瘤組織和正常組織的準(zhǔn)確率達(dá)到99%，跟真人專家達(dá)到一個水平；在區(qū)分正常組織、鱗癌組織和腺癌組織上，準(zhǔn)確率則達(dá)到了96.8%！

研究者請了三位病理學(xué)家來和AI較量，兩位專攻胸外，一位是解剖學(xué)專家?？偟膩碚f，三位歷經(jīng)千錘百煉的專家，水平和AI是基本一致的。那些AI分類錯誤的切片，有50%至少有一名專家也看錯了，說明腺癌和鱗癌的區(qū)分確實很困難。此外，專家看錯的83%（45/54）切片都能夠被AI正確分類，說明這個系統(tǒng)還是很有作為二次校正使用的潛力的。

除了準(zhǔn)確，AI的另一個優(yōu)點(diǎn)就是快。一般情況下，醫(yī)生看一個切片怎么也要幾分鐘，病理組織特別復(fù)雜的情況下，或許還用動用免疫組化分析，那診斷時間就要超過24小時了。

AI就快得多了。目前研究者使用單個TeslaK20mGPU進(jìn)行分析，平均每個數(shù)字切片分為500個碎片，分析只要大概20秒，如果采用多GPU并行的方式運(yùn)行，差不多幾秒鐘就能出結(jié)果了！目前最大的障礙反而在掃描系統(tǒng)上，放大20倍的切片掃描需要2-2.5分鐘，不過FDA去年才批準(zhǔn)了最新的超高速數(shù)字化病理學(xué)掃描儀[7]，相信這也不會是什么難闖的關(guān)。

研究者還在來自紐約大學(xué)的獨(dú)立數(shù)據(jù)庫中進(jìn)行了檢測，AI仍舊能夠在83%-97%的情況下正確分型?？紤]到紐約大學(xué)保存的腫瘤樣本純度遠(yuǎn)遠(yuǎn)不如GDC的樣本，其中含有更多的炎癥、血管、血凝塊、壞死區(qū)域等“噪點(diǎn)”，樣本保存方式也不太一樣，研究者認(rèn)為，只要數(shù)據(jù)量上來了，準(zhǔn)確率也會隨之提升。

接下來，研究者準(zhǔn)備嘗試訓(xùn)練AI從病理切片中“看”出突變，這可是多高明的醫(yī)生都做不到的！

為了保證足夠的樣本量，研究者只選擇了突變率高于10%的基因和腺癌樣本，總共納入了320個切片、212000個碎片用于訓(xùn)練和驗證，62個切片、44000個碎片用于測試。AI猛學(xué)一頓之后，果然就能夠認(rèn)出STK11、EGFR、FAT1、SETBP1、KRAS、TP53等六個基因在肺癌中的常見突變了，準(zhǔn)確率從73%到86%不等！

而且從數(shù)據(jù)來看，面對多種類型的EGFR突變，免疫組化分析（IHC）只能檢測到最常見的兩種p.L858R和p.E746_A750del，AI還能夠檢測到更多的突變和缺失，例如p.G719A，p.L861Q和p.E709_T710delinsD。

就像我們前面說過的，EGFR已經(jīng)有了相應(yīng)的靶向治療方案；STK11存在于15-30%非小細(xì)胞肺癌中，也是一個潛在治療靶點(diǎn)[8,9]；其他基因的突變情況也都具有一定的預(yù)后意義，與腫瘤的耐藥、侵襲性等特性有關(guān)。

與亞型檢測一致的是，突變檢測在獨(dú)立樣本中的準(zhǔn)確度也略有降低，而且幅度和亞型檢測相似，研究者認(rèn)為這也是由樣本制備帶來的差異，可以通過大數(shù)據(jù)訓(xùn)練來提高。

不過研究者還不知道AI到底是怎么從切片中判斷出突變的，只能猜測突變會帶來極其微小的、人類無法觀察到的變化。這就是機(jī)器學(xué)習(xí)的“黑匣子”問題了，有人覺得我不需要知道為啥，好用就行唄，也有反對的研究者提出，如果你不知道為啥，又怎么能夠百分百確定呢。

這就是研究者們下一步要做的事情了。接下來的幾個月中，研究者將使用更多不同來源的數(shù)據(jù)訓(xùn)練AI，并積極考慮商業(yè)化以便早日投入臨床。

想象一下，現(xiàn)在腫瘤測序還需要幾天到幾周不等，考慮到時間和成本，還沒法納入標(biāo)準(zhǔn)治療流程。而這項技術(shù)如果真的落現(xiàn)，那么只要病理切片掃一掃，或許就能夠得到一項可行的治療方案，豈不是美哉！

當(dāng)然了，研究現(xiàn)在還是在一個比較基礎(chǔ)的階段，斯坦福大學(xué)癌癥研究所研究者DanielRubin就表示，說這項技術(shù)能夠取代目前的診斷方法還為時尚早，AI還需要更多的驗證工作，不過這項研究確實讓我們看到了人類和計算機(jī)合作的未來，也說明病理圖像中蘊(yùn)含的信息量比我們現(xiàn)在能夠利用的還要多得多[10]。

本文的通訊作者AristotelisTsirigos也在采訪中表示，AI能夠通過病理切片診斷肺癌亞型，還不意味著很快就能代替醫(yī)生的工作，但是目前來說，AI已經(jīng)可以幫助醫(yī)生減少讀片錯誤了[11]。

希望未來這些基礎(chǔ)工作能夠都交給機(jī)器來做，真正解放醫(yī)生去處理更多更重要的臨床決斷。