柏林大学和柏林理工大学以及奥斯陆大学开发了一个新的组织切片分析系统，用于诊断基于人工智能（AI）的乳腺癌。两项进一步的发展使这个系统变得独一无二。首次将形态学、分子学和组织学数据整合到一个分析中。其次，该系统以热图的形式对AI决策过程进行了澄清。这些热图以像素为单位，显示出哪些视觉信息影响了AI决策过程，以及影响的程度，从而使医生能够理解和评估AI分析结果的合理性。这对未来人工智能系统在医院的常规应用迈出了决定性的重要一步。目前，该研究成果已发表在《自然-机器智能》上。
癌症治疗越来越关注肿瘤组织样本的分子特征。研究的目的是确定肿瘤组织中的DNA是否和/或如何发生变化，以及组织样本中的基因和蛋白质表达。同时，研究人员越来越意识到，癌症的进展与细胞间的交叉对话以及肿瘤细胞与周围组织--包括免疫系统--的相互作用密切相关。



虽然显微技术能够以高度的空间细节来研究生物过程，但它们只允许对分子标记进行有限的测量。这些都是使用从组织中提取的蛋白质或DNA来确定的。因此，空间细节是不可能的，而且这些标记和微观结构之间的关系通常不清楚。"我们知道，在乳腺癌的情况下，肿瘤组织中移行的免疫细胞（即淋巴细胞）的数量对患者的预后有影响。还有人讨论这个数字是否具有预测价值--换句话说，它是否能让我们说出某种特定疗法的效果。"Charité病理研究所的Frederick Klauschen教授说。

"我们面临的问题如下。我们有很好的可靠的分子数据，也有很好的具有高空间细节的组织学数据。我们目前还没有的是成像数据和高维分子数据之间的决定性联系。"柏林理工大学机器学习教授Klaus-Robert Müller教授补充道。两位研究人员在位于柏林理工大学的国家人工智能卓越中心--柏林学习与数据基础研究所（BIFOLD）已经合作了好几年。



新发表的方法正是让这种共生关系成为可能。"我们的系统有利于检测微观图像中的病理改变。同时，我们能够提供精确的热图可视化，显示微观图像中的哪个像素对诊断算法的贡献以及贡献程度，"Müller教授解释说。研究团队还成功地进一步显著发展了这一过程。"我们的分析系统已经使用机器学习过程进行了训练，因此它也可以根据组织学图像预测各种分子特征，包括DNA的状况、基因表达以及组织中特定区域的蛋白质表达。



接下来的议程是认证和进一步的临床验证--包括肿瘤常规诊断中的测试。不过，克劳琛教授已经确信了这项研究的价值。"我们开发的方法将使未来组织病理肿瘤诊断更加精确、更加标准化、质量更好成为可能。"




上一篇：人工智能竞赛的全球领先的10个国家
下一篇：地理空间智能的未来为人工智能和三维技术打开了大门