可普及乳腺癌确诊精准度!科学研究共青团和少先队开拓鉴于AI的切片领会体例

近年来,分析肿瘤组织样本的分子特征开始日益成为治疗肿瘤的重要手段之一。为了弄清楚肿瘤组织中的 DNA 和组织样本中的基因、蛋白表达是否发生了变化,以及发生了怎样的变化,科研人员进行了大量相关研究。与此同时,研究人员越来越意识到癌症的进展与细胞间的相互作用以及赘生性细胞与周围组织 (包括免疫系统) 的相互作用密切相关。

柏林医科大学、柏林大学及奥斯陆大学近日基于人工智能 (AI) 技术,共同开发了一种新的组织切片分析系统,用于乳腺癌的诊断。相比此前的技术,该系统有两方面进展,首先,研究人员首次将形态学、分子和形体数据集成在单一的分析中;其次,该系统以热图形式明确了 AI 决策过程。

据悉,这些热图可以逐像素地显示出影响 AI 决策过程的视觉信息、以及可影响到的程度,从而帮助医生检测微观图像中的病理变化,进而帮助理解和评估 AI 分析结果的合理性,可以说这将为 “AI + 医疗” 起到关键性作用。

该项研究成果于 2021 年 3 月 8 日发表在《自然机器智能》(Nature Machine Intelligence)杂志上,论文标题为《基于可解释机器学习进行乳腺癌形态学和分子生物学研究》(Morphological and molecular breast cancer profiling through explainable machine learning)。据悉这项研究主要由柏林查理特病理研究所(Charité's Institute of Pathology)、柏林理工大学、人类前沿科学计划(HFSP)青年研究者基金(M.I. 和 F.K.)和柏林爱因斯坦基金会(F.K.)资助,部分资金由德国研究基金会 A.H. 和德国转化癌症研究联合会(DKTK)提供。其中,柏林爱因斯坦基金会还得到了德国教育研究部(BMBF)在柏林的学习和数据基础研究所(BIFOLD)、临床质谱中心 MSTARS、CompLS Patho234 以及欧盟 “地平线 2020” (Horizon 2020)计划下的欧洲研究理事会的支持。

虽然显微技术能让科学家在进行生物进程研究时,掌握高度的空间细节,但却只能对分子标记进行有限的测量。并且由于这些标记都是通过从组织中提取的蛋白质或 DNA 来确定的,因此,通常无法获得空间细节,也无法明确这些标记和微观结构之间的关系。该团队此次研发的可解释的机器学习方法,能够综合分析乳腺癌组织学的形态学、分子和临床特征。

具体而言,该方法能从组织学角度预测 DNA 甲基化、基因表达、体细胞突变和蛋白质等分子特征,分子预测的均衡准确率高达 78%,分子预测的平衡准确性达到 78%,而亚组患者的预测准确率超过 95%。

“我们知道在乳腺癌的情况下,肿瘤组织中迁移的免疫细胞(称为淋巴细胞)的数量对患者的预后具有影响,也有关于这个数字是否有预测价值的讨论,换句话说,它是否能让我们确定某种特定治疗方法的有效性。 查理特病理研究所的教授弗雷德里克・克劳申(Frederick Klauschen)博士表示。

“我们已经有了良好且可靠的分子数据,以及具有很高空间细节的组织学数据,目前我们缺乏的就是成像数据和高维分子数据之间的决定性联系,” 柏林工业大学机器学习教授克劳斯 - 罗伯特・穆勒(Klaus-Robert Müller)博士补充道。上述两位研究人员已经在位于柏林工业大学的国家人工智能卓越中心 —— 柏林学习和数据基础研究所 (BIFOLD) 合作多年。“我们的系统有助于显微镜图像中病理变化的检测。

与此同时,我们提供的精确的可视化热图,还能显示出显微图像中的哪个像素对诊断算法有贡献,以及贡献的程度。Müller 教授解释道。并且,该研究团队采用机器学习过程对其分析系统进行训练,因此该系统还可以根据组织学图像预测各种分子特征,包括 DNA 的状况、基因表达以及在特定的区域组织蛋白表达等。

接下来,他们将着手开展进一步的临床验证工作,包括肿瘤常规诊断的测试。对于这项研究的价值,Klauschen 坚信他们开发的方法会让未来更精确、更标准化的组织病理学肿瘤诊断成为可能。。

相关文章