华盛顿州普尔曼——华盛顿州立大学开发的"深度学习"人工智能模型能以比人类更快的速度、更高的准确性识别动物和人体组织图像中的病理特征（疾病迹象）。
发表于《科学报告》的研究成果显示，这项技术将显著加速疾病相关研究进程。在医学诊断领域具有广泛应用前景，例如通过活检图像在数分钟内检测癌症，而传统方法需要病理学家耗费数小时完成。
"这套基于人工智能的深度学习程序在分析组织样本时表现出极高的准确性，"WSU生物学家、论文通讯作者之一Michael Skinner表示，"它有望彻底改变人畜共患病的诊断方式，极大提升这类分析的效率。"
开发团队使用计算机科学家Colin Greeley和Lawrence Holder教授指导训练的AI模型，输入了Skinner实验室过往表观遗传学研究中的组织图像数据集。这些研究涉及大鼠和小鼠肾脏、睾丸、卵巢和前列腺组织中的分子层面疾病标志物。测试阶段AI成功识别了乳腺癌、淋巴结转移等人类医学病例，甚至发现了一些人类专家团队遗漏的病变特征。
传统病理分析需要专业团队借助显微镜逐张标注组织切片，为降低人为误差还会进行交叉验证。Skinner的表观遗传学研究中，此类分析在大型研究中可能耗时一年以上，而新型AI模型可在两周内完成同等数据量的分析。
"深度学习通过神经网络架构模拟人脑运作，区别于传统机器学习。"Holder教授解释道，"当模型出现错误时，会通过反向传播算法进行自我修正，在整个网络中进行参数调整以避免重复犯错。"
该AI模型特别设计了处理超高清十亿像素级图像的能力。为克服大文件尺寸带来的计算挑战，研究团队开发了分块分析技术，既可放大观察微观细节，又能通过低分辨率全景图保持空间定位，类似于显微镜的变焦功能。
目前该模型已引起广泛研究关注，Holder团队正与兽医学院合作开展鹿类和麋鹿组织样本疾病诊断。研究者指出，只要提供标注图像数据，该技术可应用于各种癌症及基因相关疾病的研究和诊断。
"我们设计的网络架构处于行业顶尖水平，"Holder强调，"对比测试显示它在多个数据集和系统比较中均表现最优。"这项研究得到了约翰·邓普顿基金会的资助，生物科学学院研究副教授Eric Nilsson也参与了研究。
【全文结束】
