转移性肿瘤是指癌细胞脱离其原始组织，通过循环系统或淋巴系统穿过人体，并在人体其他部位形成新的肿瘤。这是众所周知很难检测到的肿瘤。 2009年，在波士顿，由两个医疗中心对102名乳腺癌患者进行的一项研究发现，四分之一的患者因“护理程序”失败而受到不同程度的影响。在医疗过程中，例如可能是由于体格检查不充分和诊断测试不完整所致。全世界有50万人死于乳腺癌，其中90％是转移性肿瘤。圣地亚哥海军医学中心的研究人员以及Google人工智能部门的研究人员已经开发出了一种有前途的解决方案，该解决方案使用癌症检测算法来自动评估淋巴结活检。他们的AI系统，也被称为淋巴结助手（LYNA），在美国外科病理学杂志上发表的一篇论文中进行了描述，其标题为“基于人工智能的乳腺癌淋巴结转移检测”。 。在测试中，其接收器工作特性（AUC）下的面积（检测精度的度量）可以达到99％，这对于病理学家而言是不可能的。根据最近的评估，在时间限制下，病理学家有62％的时间未能检测到单个载玻片上的小转移。该论文的作者写道：“人工智能算法可以详细评估载玻片上的每个组织切片。我们提供了一个框架，以帮助病理学家在实践中评估这些算法并将其纳入他们的工作流程中（这类似于病理学家如何评估免疫组织化学结果）。” LYNA模型是基于开源Inception-v3的图像识别深度学习模型，该模型已被证明能够在斯坦福的ImageNet数据集中达到78.1。 ％ 准确性。正如研究人员所解释的那样，它需要一个299像素的图像（IncepTIon-v3的默认输入大小）作为输入值，然后以像素大小级别显示肿瘤的轮廓，并在训练过程中获得标签-预测组织切片是否为“良性的”。或“肿瘤”，并调整模型的算法权重以减少误差。该团队通过将LYNA模型置于正常切片与肿瘤切片的比例为4：1的训练环境中，并改进了“计算效率”，从而改进了他们先前发布的算法。培训过程中的“时间”，这使得“参见“更多的组织多样性”。此外，他们还标准化了活检玻片扫描的变化，他们认为可以将模型的性能提高到更高水平。研究人员在2016年淋巴数据集（Camelyon16）的癌症转移数据环境中训练了LYNA模型，该环境来自拉德布德大学（荷兰奈梅亨）和乌得勒支大学（荷兰乌得勒支）的医学中心。它包含399个淋巴结切片的幻灯片图像和20位患者的108张图像。它在270张载玻片上进行了训练（160例正常，110个肿瘤），并使用了两个评估集-一个由129个载玻片组成，另一个由108个载玻片组成。绩效评估。在测试中，LYNA模型实现了99.3％的幻灯片级别准确性。调整模型的敏感度阈值以检测每个载玻片上的所有肿瘤时，其敏感度为69％，可以准确识别评估数据集中的所有40个转移灶，而不会出现假阳性。此外，它不受载玻片中伪影的影响，例如气泡，加工不良，渗色和过度涂抹。 LYNA模型并不完美。它有时会错误地识别出源自称为组织细胞的白细胞的巨大细胞，生发癌和骨髓，但是当评估相同的玻片时，它的表现要好于病理学家。伟大的。在谷歌AI和Verily（谷歌母公司Alphabet的生命科学子公司）发表的第二篇论文中，该模型检测淋巴结转移所用的时间与由六名经过权威认证的病理学家组成的团队进行了比较，将其切成两半。未来的工作将集中于研究该算法是否可以提高效率或诊断准确性。研究人员写道：“ LYNA模型比病理学家具有更高的监测肿瘤敏感性。这些技术可以提高病理学家的生产率，并减少肿瘤细胞形态学检测中假阴性的数量。 Google已在AI医疗保健相关应用程序上进行了大量投资。今年春天，Mountain View的Medical Brain团队声称已经创建了一个可以预测再次住院可能性的AI系统，并于6月使用该系统预测了两家医院的死亡率，准确率达到90％。在2月