Salesforce研究院與Ellison研究院合作,共同開發一個稱為ReceptorNet的深度學習演算法,該演算法可以確認賀爾蒙受體的狀態,有助於醫生判斷胸腺癌患者的治療方法。官方提到,將人工智慧應用在胸腺癌診療上的研究並不少見,但是Google目前的研究成果,主要集中在診斷癌症上,而ReceptorNet不同之處在於,其目標為改善胸腺癌患者的治療決策。

ReceptorNet可以從成本較低的組織圖像中,預測賀爾蒙受體的狀態,而目前要取得相同的結果,需要使用昂貴的組織圖像,再加上專業的病理學家,來判斷這些圖像。Salesforce比喻傳統方法與ReceptorNet的差異,就像是骨折的患者,不再需要到醫院照X光片,才能得知骨折情形,只需要用手機上的相機,拍下患部照片,人工智慧就能算出該處是否骨折。

過去,當病人被診斷出患有胸腺癌時,病理學家會在顯微鏡下,使用稱為免疫組織化學(IHC)染色法,分析腫瘤組織,並尋找可能促使癌症發展的賀爾蒙受體,供醫生判斷後續讓病人接受賀爾蒙療法,或是化學療法等其他治療方案。但是IHC染色的缺點,便是十分昂貴而且耗時,在發展中國家等醫療缺乏的地區,難以提供這樣的醫療服務。

而ReceptorNet則可以使用蘇木精-伊紅(H&E)染色組織,分析細胞的形狀、大小和結構,來確認受體狀態。ReceptorNet接受來自全球數十家醫院癌症患者,所提供的數千張H&E染色組織圖像訓練,因此ReceptorNet能夠在H&E染色組織圖像中,找出人眼無法辨識的細節,獲取治療癌症的重要線索。

在測試階段,即便是全新未見過的圖像,ReceptorNet也能達到92%的賀爾蒙受體測定精確度,而且研究人員提到,經過一些小幅度的修正,就能提升ReceptorNet的預測精確度,克服組織樣本製備方法不同的問題。

Salesforce還強調,一些醫療保健以及實證醫學,因為部分群體的資料不齊全,會有代表性不足的問題,而ReceptorNet在不同的人口統計群體,都能提供相同可靠性,在統計上,年齡、種族和地區等不同群體,對ReceptorNet的效能沒有影響。

熱門新聞


Advertisement