华盛顿州立大学的研究人员揭开了一个深度学习AI模型，该模型能够以前所未有的速度和准确性识别组织图像中的疾病。这一突破有望彻底改变医学诊断和疾病相关研究。
华盛顿州立大学的研究人员开发了一种开创性的基于深度学习的人工智能模型，该模型可以比人类专家更快、更准确地识别动物和人类组织图像中的病理学或疾病迹象。这一发展有望彻底改变疾病研究的速度和医学诊断。
“这个基于AI的深度学习程序在查看这些组织方面非常非常准确，” 华盛顿州立大学生物科学学院教授迈克尔·斯金纳（Michael Skinner）在新闻发布会上说，“它可以在动物和人类医学中更好地促进这类分析，从而彻底改变这种类型的医学。”
计算机科学家科林·格里利（Colin Greeley），前华盛顿州立大学研究生，和他的导师劳伦斯·霍尔德（Lawrence Holder）教授开发了这一AI模型。该模型使用斯金纳实验室过去进行的表观遗传学研究中的图像进行训练。这些研究集中在大鼠和小鼠各种组织中分子水平的疾病迹象。随后，该AI模型使用来自其他研究的图像进行了测试，包括那些识别乳腺癌和淋巴结转移的研究。
令人印象深刻的是，深度学习模型不仅快速识别了病理学，还发现了人类病理学家错过的一些病例。“我认为我们现在有一种方法，可以比人类更快、更准确地识别疾病和组织，” 霍尔德，共同通讯作者，在新闻发布会上说。
传统上，分析组织切片是一个由专门培训的团队进行的繁琐过程。这些专家会在显微镜下仔细检查和标注切片，通常会花几个小时来处理一张图像，以减少人为错误。
在表观遗传学研究领域，斯金纳的团队研究影响基因行为而不改变DNA本身的分子过程，这种分析可能需要一年或更长时间。而有了新的AI模型，相同的数据可以在几周内获得。
深度学习是一种高级AI方法，模拟人脑的神经网络。与依赖预定义算法的传统机器学习不同，深度学习通过神经元和突触的网络随着时间调整其过程。如果模型出错，它会通过反向传播“学习”，从而微调网络以提高性能。
华盛顿州立大学的AI模型设计用于处理高分辨率的千兆像素图像，每张图像包含数十亿个像素。为了管理这些大型文件，研究人员配置AI以分析较小的单个图块，同时仍然考虑它们在较大图像部分中的上下文，类似于显微镜下的放大和缩小。
其他研究人员已经对该深度学习模型产生了兴趣。霍尔德的团队目前正在与华盛顿州立大学的兽医研究人员合作，诊断鹿和麋鹿组织样本中的疾病。
这项技术的影响不仅限于动物健康。AI模型可以显著增强人类医学研究和诊断，特别是对于癌症和其他基因相关疾病。据霍尔德称，只要有关于组织样本中疾病的注释数据，AI就可以被训练来进行这些分析。
“我们设计的网络是尖端的，” 霍尔德补充道，“我们在本文中与其他系统和数据集进行了比较，它胜过了所有其他系统。”
发表在《科学报告》杂志上的这项开创性研究概述了将AI整合到医学诊断和研究中的光明未来。
(全文结束)
