0项
2019年8月13日消息——加州大学洛杉矶分校(UCLA)的研究人员开发了一种人工智能(AI)有帮助的系统病理学家更准确地阅读活组织检查更好的发现t和诊断乳腺癌．
新系统，描述在研究将在《美国医学会杂志》网络开放，帮助解释用于诊断的医学图像乳腺癌这对人类的眼睛来说是很难分类的，但它在这方面几乎和有经验的病理学家一样准确或更好
“从一开始就得到正确的诊断是至关重要的，这样我们才能引导患者接受最有效的治疗，”他说Joann Elmore，医学博士，公共卫生硕士，该研究的资深作者和医学教授加州大学洛杉矶分校的大卫·格芬医学院．
2015年的一项研究Elmore领导的一项研究发现，病理学家通常对乳腺活组织检查的解释存在分歧，而每年有数百万的女性要进行这种检查早前的研究显示，每六名患有导管原位癌(一种非侵入性乳腺癌)的女性中就有一名出现诊断错误，而乳房异型(异常细胞，与乳腺癌的高风险相关)的活检病例中，约有一半出现了错误诊断。
“乳房活组织检查的医学图像包含大量复杂的数据，对它们的解释可能非常主观，”埃尔莫尔说UCLA Jonsson综合癌症中心．“区分乳腺异型性与导管原位癌在临床上很重要，但对病理学家来说非常具有挑战性。有时，一年后，当医生看到同样的病例时，他们甚至不同意之前的诊断。”
科学家们推断，人工智能可以持续提供更准确的读数，因为通过从大型数据集中提取数据，该系统可以识别样本中与癌症相关但人类难以看到的模式。
研究小组将240张乳腺活检图像输入计算机，训练它识别与几种类型乳腺病变相关的模式，从良性(非癌)和异型性到导管原位癌(DCIS)和浸润性乳腺癌。另外，每张图像的正确诊断由三位病理学专家的一致意见决定。
为了测试该系统，研究人员将其读数与87名美国执业病理学家的独立诊断结果进行了比较。虽然人工智能程序在区分癌症和非癌症病例方面的表现接近人类医生，但在区分DCIS和异型性(被认为是乳腺癌诊断中最大的挑战)时，人工智能程序的表现优于医生。系统比医生更准确地判断扫描结果是否显示DCIS或异型性;其敏感性在0.88 - 0.89之间，而病理学家的平均敏感性为0.70。(灵敏度分数越高，诊断和分类正确的可能性越大。)
埃尔莫尔说:“这些结果非常令人鼓舞。“在美国的执业病理学家中，当涉及到异型性和导管原位癌的诊断时，准确性很低，而基于计算机的自动化方法显示出巨大的前景。”
研究人员目前正致力于训练该系统诊断黑色素瘤。
更多信息:www.jamanetwork.com/journals/jamanetworkopen
相关数字病理学内容
参考文献
1.梅坎，梅塔，巴特利特，等。乳腺癌和高危增生性病变自动鉴别的机器学习乳腺病理结构评估。美国医学会网络开放，2019年8月9日。doi: 10.1001 / jamanetworkopen.2019.8777
2022年11月04
