一种突破性的人工智能模型现在可以近乎完美地识别最常见的生殖系统癌症之一的早期迹象。多年来，诊断子宫内膜癌需要进行侵入性检查、专家评审和数周的等待。
最新发表在《ScienceDirect》杂志上的研究表明，一种先进的深度学习系统可以在显微镜下的组织图像中以99.26%的准确率识别这种疾病。
子宫内膜癌起源于子宫内膜，是最常见的子宫癌。尽管它通常在早期被发现，治疗效果较好，但诊断延误仍然存在严重风险。仅2018年，全球就有超过382,000例新的子宫癌病例报告，其中近90,000人死亡。在美国，2024年的预测数据显示约有67,880例新病例和超过13,000例死亡。这些数字显示了对更准确和更快的诊断方法的迫切需求。
诊断挑战
当女性接受子宫内膜癌检查时，医生通常会在显微镜下分析子宫内膜样本。这个过程被称为组织病理学分析，高度依赖于训练有素的病理学家的技能和经验。
问题在于，即使是专家有时也会意见不一致。人工诊断结果可能会有很大差异，目前的自动化工具也只能达到大约79%到81%的准确率。
因此，研究人员转向了人工智能，特别是深度学习。这种强大的AI使用大型数据集和复杂的数学模型（称为神经网络）来检测模式。深度学习已经在图像分类和识别医学扫描中的细微差异方面取得了成功。
更智能的模型应对致命疾病
来自澳大利亚、孟加拉国和加拿大的国际研究团队致力于改进子宫内膜癌的检测方法。他们使用大量组织图像数据集训练了一种名为ECgMLP（子宫内膜癌门控多层感知器）的新深度学习模型。该AI系统查看显微镜图像，提高其质量，聚焦于最重要的特征，然后对其进行分类。
“使用组织病理学图像分类子宫内膜癌，通过深度学习算法实现了卓越的性能、更高的准确性和处理速度。”研究人员表示。
ECgMLP模型结合了多种机器学习组件。其中一个核心功能是使用门控线性单元，允许模型在处理图像时控制保留或丢弃的信息。这种方法有助于更好地检测可能表明癌症存在的复杂模式。
为了提高性能，研究团队使用了高级预处理技术，如图像归一化、非局部均值去噪算法以及分水岭分割过程，以识别每张图像中的关键区域。他们还应用了光度增强——调整图像亮度、对比度和颜色——使训练数据更加多样和健壮。
结果令人震惊。ECgMLP在测试子宫内膜癌数据集时达到了99.26%的准确率，远超依赖迁移学习或简单深度学习结构的传统模型。
更好的结果，更快且更便宜
这种新方法不仅更准确，而且更快、更易获得。当前基于活检的诊断可能需要几天到几周的时间。相比之下，ECgMLP可以在组织样本扫描后几乎立即提供结果。速度至关重要。子宫内膜癌在早期阶段非常可治，但一旦扩散出子宫，成功治疗就变得困难得多。更快的诊断可以挽救生命。
根据查尔斯达尔文大学的共同作者阿西夫·卡里姆博士的说法，“提出的ECgMLP模型优于现有方法……同时计算效率高。”这意味着该模型使用的计算能力比许多其他AI系统少，使其更容易部署在资源有限的诊所中。
该系统并不是要取代病理学家，而是与其合作。它可以支持医疗专业人员标记可疑区域进行仔细审查或复查诊断。它还可以在缺乏专科医生的地区发挥作用。
不仅仅适用于一种癌症
该模型在识别子宫内膜癌方面的准确性令人印象深刻，但其潜力不仅如此。使用相同的训练方法，研究人员还测试了该模型在其他类型癌症上的表现。它诊断结直肠癌的准确率为98.57%，乳腺癌为98.20%，口腔癌为97.34%。
“同样的方法可以用于快速准确地早期检测和诊断其他疾病，”澳大利亚天主教大学的副教授尼乌莎·沙菲亚巴迪说。她也是该研究的共同作者。“这最终将带来更好的患者治疗结果。”
ECgMLP模型可以作为新的癌症诊断软件平台的“大脑”。凭借其在不同组织扫描中的强大表现，它有朝一日可能成为世界各地病理实验室常规检测的一部分。
对未来的意义
子宫内膜癌已经是妇女健康的头号问题，尤其是在澳大利亚和美国。它是每年诊断最多的生殖系统癌症之一。然而，许多病例直到症状变得更加严重才被发现。像ECgMLP这样的工具可能是缩小这一差距的关键。
通过增强医生在显微镜下识别癌细胞的能力，人工智能很快将在患者护理中发挥核心作用。它可以提供第二意见，加快实验室工作，并将专家级诊断扩展到目前没有训练有素的病理学家的医院和诊所。
医学领域人工智能的崛起不是要取代人，而是要给他们更好的工具。正如这个模型所示，当人类技能和机器智能相结合时，结果可能是改变生命的。
(全文结束)
