医学AI的第一个前沿是病理学实验室

主页（http://www.kuwanit.com）：医学AI的第一个前沿是病理学实验室

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。

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。

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。

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。

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。

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。”

IMG

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。

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。

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。

相关推荐

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。

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。

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。

IMG

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。

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。

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。