斯坦福医学院的医生和计算机科学家合作开发了一种可定制的AI工具——nuclei.io，该工具可以在显微镜下识别病变细胞。这项工具于6月19日发表在《自然生物医学工程》杂志上，旨在提高负责诊断疾病的医疗保健专业人士的工作效率。
病理学家，即通过检查组织和体液来诊断疾病的医务人员，常常面临在大量健康细胞中识别罕见异常细胞的挑战。AI工具，特别是在数字病理学领域，可以在这个过程中提供速度和精确度。
nuclei.io与其他基于AI的医疗工具的不同之处在于，它使用机器学习创建一个适应病理学家工作流程和偏好的系统。该论文的共同资深作者、生物医学数据科学副教授詹姆斯·佐（James Zou）表示：“这是首批能够提供个性化辅助的工具之一，通过主动学习方法调整AI模型，以满足个别医生的需求。”nuclei.io的目标不是取代病理学家的专业知识，而是增强它，从而提高诊断的准确性和效率。
病理学教授迪塔·格拉茨宁格（Dita Gratzinger）也参与了该项目，她指出：“人类毕竟是人类，我们有时会错过一些东西，或者注意力会分散一会儿。使用这个程序的美妙之处在于，它可以找到那些病理学家可能会错过的细胞簇。”
格拉茨宁格还强调了这一创新的协作性质，病理学家与AI合作确认识别出的问题区域，减少了人为错误的风险，提高了患者护理的质量。
尽管AI在病理学领域的潜力巨大，但为像nuclei.io这样的工具提供足够的数据以学习识别异常细胞仍存在挑战。帮助开发nuclei.io的病理学家埃里克·杨（Eric Yang）指出了收集足够训练数据的难度。然而，通过使用主动学习，杨表示训练过程变得更加高效。允许模型从最有信息量的数据点中学习，主动学习不仅减少了训练模型所需的时间，还减少了所需的总体数据量。
杨特别提到了在慢性子宫内膜炎中识别浆细胞的场景，这是一种影响子宫内膜的炎症或感染性疾病，可能影响生育能力。在慢性子宫内膜炎病例中，病理学家需要在子宫内膜活检样本中识别浆细胞。手动识别这些细胞非常困难，因为它们是小而圆的蓝色细胞，混杂在成千上万个相似的细胞中。这些浆细胞的细胞核具有独特的凝集染色质，即DNA缠绕在一起，以及明显的核“跳跃”，即细胞核位置或形状的显著变化，使它们与周围细胞略有不同。然而，在大量相似细胞中发现这些细微差异是一项繁琐且耗时的任务，就像“大海捞针”一样。正是在这种情况下，nuclei.io显得尤为宝贵，因为它可以被训练识别细胞核内的特定特征，并从医生的反馈中学习。
虽然nuclei.io已经在斯坦福医学院的临床研究中得到应用，但其开源性质使其能够被其他机构采用，扩大其对医疗保健的潜在影响。研究AI的杰夫·刘（Jeff Liu，26岁）表示，理想的结果是像nuclei.io这样的工具能够优化到无需人类参与疾病诊断过程的程度。“我们可能需要一些人手动检查结果是否正确，”刘说，“但我们理想的情况是整个过程无需人类参与，因为这将大大降低处理不同样本的成本。”
随着AI辅助医疗技术的发展，杨表示保持自动化与人工监督之间的平衡将变得越来越重要。技术应增强人类的能力，而不是取代它们。杨指出，虽然nuclei.io可以突出潜在的异常细胞，但它本身不会做出疾病诊断，而是让病理学家进行检查并做出最终决定。“它帮助我们更快地完成任务，但并不一定为我们做出诊断，”他说，“我认为这是目前使用AI的一个很好的方式。”
(全文结束)
