人工智慧應用在胸腺癌診斷上又有新進展,IBM最新的深度學習模型,能以87%的正確率預測胸腺癌的發展,並以77%正確率解釋非癌症的病例,而且還能以48%的精確度,找出被放射科醫師初步斷定為非惡性腫瘤,但一年確診為胸腺癌病例,IBM提到,這個可能是第一個結合X光照片以及電子健康記錄資料,用於預測胸腺癌的研究。

現行的胸腺癌篩檢,主要是由醫師檢視乳房X光照片進行,但由於乳房X光照片會因為組織的形狀、大小、顏色甚至是質地的差異,而影響最終判斷的結果,因此為了彌補這項辨識誤差,現行醫學作法是讓第二位判讀者再次進行X光照片判讀,以有效提升判讀的正確性,但時常因為人力資源的限制,在很多地區的醫院,無法將第二位判讀者加入標準篩檢的流程中。

而IBM的這項研究就是希望人工智慧能夠擔任第二位判讀者的角色,幫助放射科醫生進行分析,而實驗也證明,IBM將深度學習模型用於評估胸腺癌,其精確度已經與放射科醫師相當,已經能進入臨床實踐。IBM表示,之所以他們能訓練出高精確度的模型,很大程度必須要歸功於龐大的訓練資料,他們與以色列大型醫院合作,取得去識別化的乳房X光照片、每位病患的完整臨床資料,以及甲狀腺功能、生育紀錄和其他生物識別資訊。

IBM總共取得13,234名女性的52,936張圖像資料集,這些女性在2013年至2017年期間,接受過至少一次乳房X光檢查,並且在接受乳房X光檢查之前,有至少一年的健康紀錄。IBM利用9,611位女性的乳房X光照片以及健康紀錄來訓練模型,目標是預測活體組織切片惡性腫瘤,並且區分正常以及異常的篩檢。

研究人員取得良好的成果,模型可以精準預測87%病例的胸腺癌發展,並且能正確解釋77%非癌症的病例,而在放射科醫生初判定為非惡性腫瘤,但是在一年內會被重新診斷為胸腺癌的71個病例中,該模型正確預測出其中的48%病例。IBM提到,沒有患癌症但被誤判為陽性,雖會為病患帶來額外的心理壓力,但是更重要的,是要找出實際罹患癌症,但卻被誤診為假陰性的案例,因為這會影響癌症病患治療的時程以及效果。

另外,這個模型也關聯了胸腺癌所伴隨發生的其他臨床特徵,包括缺乏鐵質、白血球狀況以及甲狀腺功能等,研究人員表示,白血球狀況以及甲狀腺功能,是目前尚未應用在其他胸腺癌預測模型的特徵,這些資料能有效降低胸腺癌誤診的機率。


Advertisement

更多 iThome相關內容