传统上，研究人员和医疗专业人员通过显微镜分析和注释组织来识别病理或疾病迹象，如图所示的睾丸（管状萎缩）疾病——这一过程可能需要数小时才能完成一个切片或图像。华盛顿州立大学开发的“深度学习”人工智能模型能够比人类更快地识别病理，有时甚至能发现人类病理学家遗漏的迹象。图片来自Eric Nilsson，Skinner实验室，华盛顿州立大学。
一种在华盛顿州立大学开发的深度学习人工智能模型可以在图像中快速且通常更准确地识别动物和人类组织中的病理或疾病迹象。这项发展详细记录在《科学报告》中，可能会大幅加快疾病相关研究的速度。它还具有改进医学诊断的潜力，例如从活检图像中检测癌症只需几分钟，而这一过程通常需要人类病理学家花费数小时。
“这种基于人工智能的深度学习程序在观察这些组织方面非常、非常准确，”WSU生物学家、论文的共同通讯作者Michael Skinner说。“它可以彻底改变这种类型的医学，无论是对动物还是人类，都能更好地促进这类分析。”
为了开发该人工智能模型，计算机科学家Colin Greeley（前WSU研究生）和他的指导教授Lawrence Holder使用了Skinner实验室过去表观遗传学研究中的图像进行训练。这些研究涉及大鼠和小鼠肾脏、睾丸、卵巢和前列腺组织中分子水平的疾病迹象。
然后，研究人员使用其他研究中的图像测试了该人工智能模型，包括识别乳腺癌和淋巴结转移的研究。研究人员发现，新的深度学习模型不仅能够快速正确地识别病理，而且比之前的模型更快，在某些情况下还发现了训练有素的人类团队遗漏的实例。
“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，”该研究的共同通讯作者Holder说。
传统上，这种分析需要特别训练的团队进行艰苦的工作，他们使用显微镜检查和注释组织切片，通常会互相检查对方的工作以减少人为错误。在Skinner关于表观遗传学的研究中，这可能需要一年甚至更长时间的大规模研究。现在有了新的深度学习模型，他们可以在几周内获得相同的数据，Skinner说。
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，Holder说。相反，深度学习模型是由神经元和突触网络结构组成的。如果模型出错，它会“学习”这个错误，通过称为反向传播的过程在整个网络中进行一系列更改，以防止再次出错。
研究团队设计的WSU深度学习模型可以处理极高分辨率的千兆像素图像，这意味着它们包含数十亿像素。为了应对这些图像的巨大文件大小，即使是最强大的计算机也会变慢，研究人员设计了人工智能模型，使其查看较小的单独图块，但仍然将它们置于较大部分的上下文中，但分辨率较低，这一过程类似于显微镜下的放大和缩小。
该深度学习模型已经吸引了其他研究人员，Holder的团队目前正在与WSU兽医学研究人员合作，诊断鹿和麋鹿组织样本中的疾病。作者还指出，该模型在改善人类研究和诊断方面具有潜力，特别是对于癌症和其他基因相关疾病。只要存在数据，例如标注了组织中癌症的图像，研究人员就可以训练人工智能模型执行这项工作，Holder说。
“我们设计的网络是尖端的，”Holder说。“我们在本文中将其与其他几个系统和数据集进行了比较，它都胜过了它们。”
(全文结束)
