华盛顿州立大学的研究人员开发了一种深度学习AI模型，该模型在动物和人类组织图像中检测病理（即疾病迹象）的速度和准确性显著超过了人类。通过分析高分辨率图像，该模型能够在几周内完成通常需要几个月才能完成的分析任务，从而彻底改变了研究和诊断流程。这一工具已经在动物疾病研究中发挥作用，并具有改变人类医学诊断的潜力，特别是在癌症和基因相关疾病方面。
关键事实：
- 该AI模型在组织图像中识别疾病的速度和准确性超过人类。
- 它将分析时间从几个月缩短到几周，尤其是在大规模研究中。
- 该模型通过分析较小的图块及其更广泛背景来处理千兆像素图像。
来源：
华盛顿州立大学
背景：
“这种基于深度学习的人工智能程序在查看这些组织时非常、非常准确，”华盛顿州立大学生物学家、论文共同通讯作者迈克尔·斯金纳（Michael Skinner）说。“它有可能彻底改变动物和人类的这种医学领域，更好地促进这类分析。”
研究方法：
为了开发该AI模型，计算机科学家科林·格里利（Colin Greeley，前华盛顿州立大学研究生）和他的指导教授劳伦斯·霍尔德（Lawrence Holder）使用了斯金纳实验室过去表观遗传学研究中的图像。这些研究涉及在大鼠和小鼠的肾脏、睾丸、卵巢和前列腺组织中分子水平的疾病迹象。研究人员随后用其他研究中的图像测试了AI，包括乳腺癌和淋巴结转移的研究。
研究发现，新的AI深度学习模型不仅能够快速准确地识别病理，而且比以前的模型更快，在某些情况下甚至发现了训练有素的人类团队未注意到的实例。
传统分析方法：
传统的分析方法需要由专门训练的团队进行繁琐的工作，他们使用显微镜检查和注释组织切片，经常相互检查工作以减少人为错误。在斯金纳的表观遗传学研究中，这种分析可能需要一年或更长时间，尤其是对于大型研究。现在，借助新的AI深度学习模型，他们可以在几周内获得相同的数据，斯金纳说。
深度学习技术：
深度学习是一种试图模仿人脑的人工智能方法，超越了传统的机器学习。深度学习模型通过神经元和突触网络结构化。如果模型出错，它会通过一个称为反向传播的过程从错误中“学习”，在整个网络中进行大量更改以修复错误，从而避免重复错误。
图像处理：
为了处理极高分辨率的千兆像素图像，研究团队设计了WSU深度学习模型，使其能够查看较小的独立图块，同时将其置于较大区域的低分辨率背景下，类似于显微镜的放大和缩小功能。
应用前景：
该深度学习模型已经吸引了其他研究人员的关注，霍尔德的团队目前正在与华盛顿州立大学兽医医学院的研究人员合作，诊断鹿和麋鹿组织样本中的疾病。作者还指出，该模型在改善人类疾病研究和诊断方面具有巨大潜力，特别是对于癌症和其他基因相关疾病。只要有数据，例如标注了组织中癌症的图像，研究人员就可以训练AI模型完成这项工作，霍尔德说。
研究资助：
本研究得到了约翰·坦普尔顿基金会的支持。华盛顿州立大学生物科学学院的研究助理教授埃里克·尼尔森（Eric Nilsson）也是该论文的共同作者。
(全文结束)
