首先，讓我們先聊聊病理學家們是如何拯救人類生命的。
當發(fā)現(xiàn)患者胸部掃描顯示肺部位置存在可疑腫塊，外科醫(yī)生就會從該潛在的腫瘤處提取一個小小的柱狀活體樣本，由病理學家進一步提取極薄的組織切片放在載玻片上通過顯微鏡進行觀察，判斷細胞中是否存在癌變跡象。最后，由醫(yī)生著手治療。
但這樣一個診療的過程也有局限性。即便是專業(yè)的病理學家和醫(yī)生也有可能忽略真正的癌細胞，或是將顯微鏡下觀察到的某些良性細胞誤判為癌細胞。在后一種情況下，病人將接受毫無必要的傳統(tǒng)化療。
而借助人工智能，這個問題將在很大程度上被解決。利用大量數(shù)字化影像進行訓練，人工智能系統(tǒng)能夠提供準確率遠超人類病理學家的診斷結(jié)論，甚至發(fā)現(xiàn)頂尖病理學家也無法發(fā)現(xiàn)的、極為細小的病征。也就是說，針對于癌癥，人工智能將為醫(yī)生和病理學家提供重要的診斷與治療建議，并且這個過程有望在幾秒鐘之內(nèi)完成。
無疑，機器將使日益復雜的現(xiàn)代醫(yī)學變得更易于管理，而人機組合的方式也將超越單一一方的表現(xiàn)，給未來醫(yī)學發(fā)展帶來新的突破。
在過去的一年中，由機器學習算法驅(qū)動的各類診斷工具已經(jīng)進入臨床市場，幫助醫(yī)生在極少甚至根本無需人工輸入的前提下輕松發(fā)現(xiàn)手腕骨折、糖尿病并發(fā)性眼疾以及中風等病征。然而，這些早期應用僅僅負責自動完成專家診斷及醫(yī)師執(zhí)行方面的任務，一般涉及解釋X光片與CT掃描等影像。這類軟件在分析精度與準確率方面略微優(yōu)于訓練有素的人類專家，且具備極為明顯的速度優(yōu)勢。然而，還不能從根本上擴展診斷規(guī)模。
相比之下，AI病理學的發(fā)展更具有突破性。
據(jù)預測，2019年美國食品與藥物管理局（簡稱FDA）或?qū)⑴鷾识嗉夜驹诓±韺W領域的第一款AI支持型工具。與放射學及眼科等單純面向某一領域的學科不同，AI病理學工具能夠?qū)⑸锘瘜W、免疫學乃至遺傳學領域的成果整合起來，從而為組織薄切片及染色樣本的圖像添加分子級別的細節(jié)觀察。
AI將大大減輕病理學家的工作壓力
Andrew H． Beck是一位專業(yè)的病理學家，曾在波士頓與合伙人共同創(chuàng)辦并經(jīng)營一家名為PathAI的初創(chuàng)企業(yè)。他表示，他們的工具將真正改善診斷的準確性與治療效果，并認為，病理學將成為人工智能真正徹底改變的第一個醫(yī)學領域。
Beck并不是唯一一位對此抱有樂觀態(tài)度的人。各大軟件巨頭（包括谷歌與IBM）、醫(yī)療設備制造商（包括飛利浦與徠卡生物系統(tǒng)公司）以及數(shù)十家初創(chuàng)企業(yè)正在開發(fā)相關的模式識別算法，希望能夠幫助病理學家利用載玻片上的數(shù)字化活體組織圖像發(fā)現(xiàn)癌細胞或者其它患病細胞。支持者們指出，據(jù)統(tǒng)計目前只有不到2％的高校畢業(yè)生愿意進入病理學領域； 而智能軟件的出現(xiàn)則有望緩解全球人才短缺的現(xiàn)狀，同時減輕病理學專家和醫(yī)生的工作壓力。
Beck本身對病理學與軟件都有著深入的理解。他是一位病理學家，同時接受過計算機科學培訓。在公司總部內(nèi)，Beck進行了一輪PathAI平臺演示。他將一部分癌變肺組織數(shù)字圖像進行縮放，在顯微鏡載玻片的標準視力與染色疊加圖之間切換，并通過突出顯示特定細胞或癌變相關蛋白做出內(nèi)容注釋。
利用數(shù)字載玻片圖像數(shù)據(jù)PathAI對其機器學習算法進行了訓練，并將其與例如腫瘤侵襲性、治療計劃與治療結(jié)果等臨床數(shù)據(jù)加以結(jié)合，從而實現(xiàn)遠超任何頂尖人類醫(yī)師的統(tǒng)計分析能力。
據(jù)了解，PathAI的模型不僅能對癌細胞進行檢測并評估腫瘤的狀態(tài)，同時還能給出相關的治療建議。通過計算包圍在腫瘤周邊的免疫細胞，并判斷這些細胞是否具有某些特性的方式，考量最新的免疫療法是否奏效。
這種方式對于像Bristol－Myers Squibb（簡稱BMS）這樣的藥物開發(fā)商來說極具價值。因為BMS一直希望借此確定為什么只有一小部分臨床試驗參與者對抗癌藥物有所反應。
BMS公司翻譯病理學負責人Michael Montalto解釋稱，他的團隊目前正在依靠PathAI的技術確定活檢樣本中的腫瘤細胞是否被偽裝蛋白質(zhì)所覆蓋——在這種情況下，免疫細胞無法將癌細胞正確識別出來。BMS的免疫治療藥物能夠有效剝開覆蓋層，從而激發(fā)病患身體對于癌細胞的殺滅功能。他表示，這還只是人工智能發(fā)現(xiàn)作用的案例之一，接下來BMS還將把這項技術引入所有病理試驗中。
癌癥的秘密
圖一（來源PathAI）
圖二（來源PathAI）
為了幫助醫(yī)生們治愈肺部腫瘤，PathAI的軟件會繪制現(xiàn)有組織類型（圖一），其中的紅色部分為指示癌癥發(fā)展的上皮細胞。此外，他們還制作出了一份免疫細胞圖（圖二），其中的黃色方塊指示的是新的免疫治療藥物對腫瘤起到治療效果。
更重要的是，人工智能病理學市場的核心機遇并不在于研究環(huán)境當中，而在于建立起判斷每位癌癥患者腫瘤性質(zhì)的標準診斷流程并指導治療方案。但這一市場的建立面臨著一項挑戰(zhàn)：即整個病理學基礎設施都需要隨之改變。荷蘭蘭道爾大學醫(yī)療中心計算病理學家Jeroen van der Laak指出，“要使用這些算法，我們必須首先將切片圖像進行數(shù)字化轉(zhuǎn)錄，但現(xiàn)在大多數(shù)機構都沒有相關的處理設施?！?/p>
雖然不少病理學實驗室目前都會為載玻片樣本制作數(shù)字拷貝，從而進行歸檔或事后研究，但只有少數(shù)早期采用者（主要在歐洲）會進行預先掃描以引入診斷過程。由于這項技術成本昂貴，因此醫(yī)院在引入自動化全切片成像設備方面進展非常緩慢：掃描價的價格高達25萬美元，另外存儲億級像素高清圖像文件也會帶來額外的資源成本。
然而，俄亥俄州立大學綜合癌癥中心數(shù)字病理學負責人Anil Parwani堅持認為這項投資將物有所值。該中心是全美唯一一家將切片數(shù)字掃描作為常規(guī)診斷工作流程的機構。Parwani解釋稱，由于醫(yī)師工作效率的提高以及診斷錯誤的減少，該醫(yī)院引入的全數(shù)字平臺有望在五年之內(nèi)收回成本。此外，數(shù)字化切片還能夠?qū)崿F(xiàn)在線文件共享，而無需寄送實體切片進行遠程診斷或收集參考意見。Parwani指出，“這使得工作流程變得更為穩(wěn)定可靠。”病理學家們能夠立即對間隔數(shù)月的活檢影像進行比較，或者在差旅途中查看病例。
PathAI是如何創(chuàng)立的
2000年初，Beck在布朗大學醫(yī)學院求學時開始涉足量化圖像分析。他與病理學家Murray Resnick合作，共同開發(fā)出了一款計算機程序，用于評估食道細胞的大小、形狀及其它特征，從而確定患者罹患食道癌的風險。雖然并不屬于深度學習算法，但由此激發(fā)的量化醫(yī)學興趣促使他選擇了斯坦福大學，并在AI科學家Daphne Koller的實驗室中攻讀病理學博士學位。他的研究最終成就了Computational Pathlogist（簡稱C－Path）系統(tǒng)的誕生，這是一款相當原始的機器學習工具，用于評估乳腺腫瘤的嚴重程度。2011年，該小組公布了研究結(jié)果，這也成為人工智能在病理學領域中的首批應用之一。
Koller回憶道，那時候“還沒人采用這種廣泛的數(shù)據(jù)驅(qū)動方法解決這類問題。”在之前的自動化組織分析嘗試當中，研究人員一般會告知程序要尋找哪些特征——Beck與Resnick采取的都是這種方法。五年之前他們在食道癌研究中就做過類似的工作。通過C－Path，Beck為他的算法提供了數(shù)百項特征，涵蓋幾乎每一項他能夠想到并可以檢測得出的特征。至于剩下的工作，就交給計算機代碼處理了。
借助C－Path，Beck發(fā)現(xiàn)乳腺癌疾病最具可預測性的特征不在于腫瘤細胞本身，而在于周邊位置——人類病理學家很少會以這樣的方式做出判斷。Van de Rijn指出，“這絕對是個驚人的發(fā)現(xiàn)，甚至有可能帶來新的病理學解釋方法?！?/p>
結(jié)束了在斯坦福的求學經(jīng)歷，Beck回到美國東部，在哈佛醫(yī)學院附屬的貝斯以色列女執(zhí)事醫(yī)療中心創(chuàng)辦了自己的研究小組。在這里，他退出了機器學習研究，開始關注癌癥流行病學。但在2015年，由荷蘭研究人員發(fā)起的一場國際競賽又讓他重新投身于利用人工智能顛覆世界的嘗試。
在這次競賽中，Beck的團隊設計出一套兩步式驗證系統(tǒng)，旨在確保人工智能最初標記為“健康”的所有組織塊都確實不存在癌變跡象。在確定載玻片是否包含腫瘤細胞以及確定癌組織在較大組織樣本中的位置方面，其算法甚至在一定程度上超過了專業(yè)病理學家的水平。借此，Beck的團隊最終擊敗了其他22支隊伍，在這場競賽當中拔得頭籌。
Beck表示，這次經(jīng)歷讓他獲得了建立初創(chuàng)企業(yè)的信心。2017年1月，他辭去了哈佛大學的終身職位，創(chuàng)建了PathAI公司。
三大決策支持工具
目前，PathAI公司正在開發(fā)三種類型的決策支持工具：
第一，是用于處理病理學家們最討厭的重復性工作的工具，例如識別淋巴結(jié)中的轉(zhuǎn)移跡象以及是否存在癌細胞等簡單測定。這類工作并不困難，但卻極為耗時而且會給人類專家?guī)砭薮蟮呢摀?/p>
第二，是涉及確定癌癥的“等級”的工具。約翰霍普金斯大學的病理學家Johnathan Epstein指出，這種關于腫瘤侵襲性的判斷“非常困難，充滿主觀性，同時也在治療當中發(fā)揮著至關重要的作用?！盤athAI公司顧問兼泌尿外科癌癥專家Epstein正在努力訓練可用于診斷前列腺及其它器官腫瘤的算法；
第三，是生物標志物檢測工具。制藥企業(yè)可以借此了解哪些患者群體能夠從自己的藥物中受益。如果在臨床試驗當中得到驗證，那么這些算法將能夠幫助醫(yī)生為患者提供個性化用藥建議。
截至目前，PathAI公司已經(jīng)測試了其軟件在肺部、膀胱癌、皮膚癌、前列腺癌、乳腺癌、結(jié)腸癌以及胃癌方面的表現(xiàn)。Beck總結(jié)稱，“這套平臺非常易于遷移，也正因為如此，我們才能利用其處理幾乎所有主要腫瘤疾病。隨著新項目與新指標的不斷引入，其表現(xiàn)也在持續(xù)提升。”
對于人工智能能否最終超越并徹底取代人類病理學家這樣的問題，Beck強調(diào)稱：雖然機器學習確實能夠在特定診斷任務當中發(fā)揮重要的輔助作用，但為病人找到最佳治療方法仍然需要多種類型臨床信息的配合，包括細胞染色、蛋白質(zhì)注釋、基因概括以及電子健康記錄等等。只有將這些信息進行認真篩選與組合，才能制定出明確的診斷與治療計劃。這種綜合能力正是人類病理學家的價值所在。Beck認為，“人工智能本身并不足以解決這個問題。”
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。 ）
