Google以深度学习协助检测胸腺癌转移 错误率降2倍

　　新浪科技讯 10月17日下午消息，据中国台湾地区媒体报道，Google提出了一套基于LYNA（LYmph Node Assistant）的诊断方法，透过LYNA演算法，病理学家将可以更容易的检测出，胸腺癌细胞在淋巴结上的微转移，不只让幻灯片检验时间减半，还让错误率下降两倍。但Google提到，虽然研究已经有初步的成果，但是要到实际应用还有一段很长的路要走。

　　以显微镜检查病患的肿瘤，被视为癌症诊断的黄金标准，而且对预测以及治疗决策有决定性的影响，淋巴结转移与大多数的癌症相关，同时也是广泛被采用的TNM癌症分期重要的参考指标。对于诊断乳腺癌更是特别重要，淋巴结转移会影响后续放射治疗、化疗或是手术切除额外淋巴结的治疗决策，因此淋巴结转移的识别准确度和即时性对于临床治疗有显著的影响。

　　但要检测癌细胞从原发部位转移到附近淋巴结并非容易的事，研究显示，大约有四分之一的淋巴结转移诊断结果，会在第二次病理检查时改变，而在有限时间进行评估时，单张病理幻灯片上的小型转移检测精准度可能只有38%。在2016年，Google以深度学习强化了LYNA诊断准确性，但Google提到，光靠演算法并不足以改变病理学家的工作流程，或是改善乳腺癌患者的治疗。

　　Google在今年，于两篇论文提出了基于LYNA的概念性验证病理学家辅助工具，并研究其中的影响因素。Google对圣地亚哥海军医疗中心提供的去识别病理幻灯片独立资料集上使用独家演算法，由于这个资料集是不同实验室以不同程序采集的病理样本组成，改善了常规临床实践上幻灯片的多样性，LYNA被证明能强健的处理影像的易变性以及组织假影（Histological Artifacts）。

　　LYNA不需要进一步发展，就能对两类资料集都有类似的效能表现。在两个资料集中，LYNA能够以99%精准度，区分有转移性癌症和没有癌症的幻灯片，而且LYNA还能精确的标出每张幻灯片中，组织可能有癌症的区域，甚至可以找出病理学家无法找到的一些微小细节。

　　第二篇论文则是找来病理学家进行模拟诊断，实验在有LYNA和没有LYNA帮助下，检查转移性乳腺癌淋巴结的工作。由于检测微小转移是非常费力的工作，而在有LYNA的协助下，病理学家在主观上认为工作变得更加容易，并且每张幻灯片的检验时间从2分钟缩短至1分钟，检查所花费的时间减半，而且微转移判断出错率降低2倍。这代表LYNA辅助技术能减轻重复识别工作的负担，并减少病理学家付出的时间和精力，能专注于其他更具挑战性的临床和诊断任务上。

　　透过这些研究，Google证明LYNA演算法，能对乳腺癌TNM分期提供稳定可参考的证据，不过，Google却表示，这些研究成果虽然值得高兴，但是距离要实际用于帮助医生和病患，还有很长的路要走，因为这些研究具有局限性，像是有限的资料集和诊断工作流程进行，目前仅能用于检测单个淋巴结幻灯片，而非临床上需对多个幻灯片进行判断，对于进一步使用LYNA作为真实临床案例，还需要审慎的评估设计。