最新刊登在⟪自然-醫學⟫(Nature Medicine)學術期刊上的腦癌診斷論文,密西根大學醫學院附設醫院結合SRH(Stimulated Raman Histology)成像技術與深度學習技術,可以在手術的時候,將診斷腫瘤所需要的時間,從原本的30到40分鐘,縮短至不到3分鐘。

研究人員使用了一種稱為SRH(Stimulated Raman Histology)的成像技術,能在床邊快速取得腫瘤組織圖像,而這代表醫生不再需要等待處理、染色和解釋樣本等複雜手續,就能查看圖像,另外,研究人員應用深度卷積神經網路演算法,學習常見的10種腦癌特徵,對SRH圖像進行精確的預測。這項研究進展不只使得醫師能以傳統方法10倍以上的速度,掌握腦癌患者病情,而且達到更高的診斷精確度。

由於腦癌患者通常事前只曉得需要進行手術,但無法明確知道自己腦中的腫瘤是哪一種,而手術團隊也需要採集樣本,並交由神經病理學家處理之後才會知道答案。在收到檢驗結果之前,外科醫師無法進行手術,密西根大學醫學院附設醫院神經外科住院醫師Todd Hollon表示,這個過程的時間太長。

不過,在醫院使用SRH顯微鏡檢查技術之後,這個篩檢的過程得以縮短,醫師只要在病床旁,幾分鐘內就可以快速地取得數位圖像,並對患者說明詳細的病情,同時還能用來了解手術進行的狀況,判斷手術成功與否。但SRH顯微鏡檢查技術還是有其限制,特別是應用在膠質細胞瘤等特定的腦癌上,其結果仍然不夠理想,但是要進行手術,必須做出精確的判斷,因此研究人員想借助人工智慧的能力,改善診斷結果。

Todd Hollon以450位患者250萬張去識別化圖像訓練卷積神經網路,要以神經網路模型來預測腦癌類型,這些訓練圖像都是以SRH顯微鏡獲取,主要為常見的腦腫瘤類型。研究團隊為了要試驗傳統篩檢方法與人工智慧方法的差異,找來278名患者以兩種方法進行診斷,一種是從患者身上取得樣本,以傳統的方法染色和處理樣本,另外一種則是使用SRH成像,再以神經網路進行預測。

實驗結果顯示,利用卷積神經網路的診斷精確度為94.6%,而傳統篩檢方法則為93.9%。Todd Hollon表示,這項研究的價值在於,他們進行了將人工智慧應用在手術室的前瞻性研究,讓人工智慧工作流程真正用在臨床上,除了實際改變腦部腫瘤的診斷方法外,還提供了一種高度標準化的工具,可以用來廣泛地診斷腦癌患者。


Advertisement

更多 iThome相關內容