AI时代下,乳腺癌病理精准诊断何处何从?

众所周知,乳腺癌腋窝淋巴结转移的情况是重要预后因素,对临床治疗方案影响重大。因此准确判读乳腺癌患者腋窝淋巴结的转移情况,是临床病理工作的重要部分。目前最新版AJCC分期及TNM分期将乳腺癌腋窝淋巴结转移的情况分为三种:1.孤立性肿瘤细胞(isolated tumour cellITC),是指在前哨淋巴结内一个切面上出现的单个肿瘤细胞或细胞簇,大小<0.2mm<200个肿瘤细胞;相关分期为pN0i+),且视为无淋巴结转移;2.微转移,是指前哨淋巴结内一个切面上出现0.2-2mm大小、或>200个肿瘤细胞的转移灶;相关分期为pN1mi3. 宏转移,是指前哨淋巴结内转移的肿瘤大小>2mm,相关分期为pN1。对于每日镜下“寻幽防癌”的病理医师来说,这项工作可谓繁琐而艰巨。

最近在线发表于《JAMA》的一项研究表明,在评估乳腺癌患者腋窝淋巴结有无少量癌细胞扩散这方面,人工智能(artificial intelligenceAI)的表现要优于病理医师用显微镜的常规做法。该研究的主导者、荷兰内梅亨大学医学中心Bejnorid教授说道:通过改进算法或“深度学习”算法,AI的表现相比病理医师来说既快、又准!

作者进一步解释道,在这项名为CAMELYON16的国际性研究中,总计测试了32项用于自动诊断乳腺癌前哨淋巴结(sentinel lymph nodeSLN)转移的算法。这些研究于201711月结束。切片分析测试中,有七种算法的表现要显著优于11位荷兰病理医师,这11位病理医师中有3位是乳腺病理专家。

为得出相关算法,总计为390个竞争单位提供了270张前哨淋巴结苏木素-伊红染色切片及对应的完整图像,其中有110张切片有淋巴结转移。这些切片为2015年收集自荷兰内梅亨大学医学中心和乌特勒支大学医学中心。从上述图像中筛选出129张完整图像用于研究,其中有淋巴结转移者49张,无淋巴结转移者80张。

80%的参赛者应用的是高级卷积神经网络(advanced convolutional neural network)来训练深度学习算法。该方法通过对完整图像进行逐像素分析来评估转移灶。研究者说道,这一算法比人工设计的算法表现更好。同时他们解释道,“现已表明,深度学习算法检出前哨淋巴结中转移灶的敏感性为100%40%的无转移切片也可通过这一方法检出,因此这就可以显著降低病理医师的工作量。”

该项目为2小时的模拟练习,以模拟病理工作流程。做的最好的病理医师的曲线下面积(area under the curveAUC)平均也仅有0.810,而最佳的AI算法这一指标更好,为0.994P<0.001)。

对于病理医师来说,检出宏转移的敏感性平均为92.9%,平均AUC0.964;对于微转移来说,平均敏感性则降至38.3%,平均AUC也降低至0.685。对于仅有微转移的病例来说,即使表现最优秀的病理医师也会漏掉37.1%

研究者说道,“这些结果表明深度学习算法有望用于病理诊断,但还需在临床中进一步评估。”当然,研究者也认为,2小时的时间“并不代表其他情况下的工作速度”。如果对病理医师不做时间限制,则病理医师的表现与前五名的计算机算法差不多了(平均AUC分别为0.9660.960)。不过,此时病理医师阅读所有病例花费的时间是30小时,且还是有27.6%的特殊转移灶没有识别出来。

研究者说道,“表现最好的算法已经达到了教学水平,其真正阳性识别率已堪比无时间限制的病理医生,一般每张切片中仅有0.0125的假阳性率。”

与该文同时发表的评论中,哈佛大学医学院病理系教授、同时也是布列根和妇女医院病理科博士的Golden称赞该研究结果“十分喜人”,他在评论中说道,放射和病理都是有大量图像的专业,因此都适合人工智能的介入。他曾在一个视频片段中说道,“实际我们做的每一件事都和图像有关”。不过,影像科医师早在25年前就已经数字化处理图像了,而对病理医师来说,人工智能还是个新东西。Golden博士说道,这是需要克服的问题。比如,需要证明人工智能有价值,当然它一定会有自己的价值。

当然,他也指出该研究中(病理医师)切片观察所用的时间“短的不切实际”。他说道,日常工作中,病理医生遇到不确定的情况时会要求进行重切片、或进行特殊染色。“很明显,该研究中的比较有些局限性。”同时,该研究中AI算法是否对所有类型乳腺癌均有一样的检出水平,也并不明确。

他预测道,教学也会遇到挑战,“我们将不得不训练一代人的病理医师来熟练掌握电脑和人工智能,以帮助其更加熟练的进行工作”。Golden博士补充道,要接受人工智能,病理医师需“抛弃”其熟悉的显微镜,这可能有一道“鸿沟”需要跨越。

Medscape医学信息首席作者Bejnoudi则认为临床医师可能会为此而欢呼鼓舞。他说道,“人工智能为主的诊断方案在某些方面做的和人一样好、甚至比人还要好的时代已经来临了!这会提高效率及准确性,进而为临床医师提供了巨大的机会!比如,病理医师可少花时间来解读病理切片,而将更多的精力放在更重要的工作上,如多渠道收集相关数据以做出更加精准、更具个体化的诊断。”

BejnoudiGolden博士均赞同人工智能不会替代临床医师,但会改变临床医师的工作方式。Golden博士认为深度学习可以帮助病理医师提高其工作效率,在更加精准的预后判断、更加标准的质控等方面有所改善,“人工智能可能正是病理医师所期待的。医疗卫生行业出现人工智能、大数据的成本下降、可以获得数字化图像,这些都在助力数字病理的成功。” Golden博士也再次强调,人工智能不会取代人类的经验。“就像人工智能之前的电镜、免疫组化、分子诊断一样,病理医师被取代的风险极低。但其工作模式可能会改变,病理医师对患者诊疗的贡献仍将十分关键。”

内梅亨大学医学中心的病理医师现在常规应用Bejnordi等人开发的深度学习算法得出的结果,并且这是开发者研究人工智能如何改善诊断客观性及诊断效率的一部分。

该研究项目CAMELYON16是内梅亨大学计算机病理组进行的一项为期两年的研究,后续第二项研究CAMELYON17也已开始。Bejnordi解释道,新研究将会从切片层面做出诊断,“直接评估患者的预后,使其更加接近临床实际”,从而填平病理医师与人工智能之间的鸿沟。“这项研究仍将对全世界的研究团体开放!”

点评

人工智能对于医疗来说,改变的将是模式,比如它的深入学习功能以及海量数据处理功能,有望可以直接作出疗效及预后判断!但,正如本文提及的研究一样:万丈高楼平地起,目前还只能从解决小问题入手(比如该文中从判断淋巴结有无转移入手)、逐步扩展至临床验证。期待新的研究更加接近临床实际,更期待新的研究能真实的做出真正的精准化!

 

参考文献

https://www.medscape.com/viewarticle/889965

Ehteshami Bejnordi B,Veta M,Johannes van Diest P,et al.Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer[J].JAMA,2017,318(22):2199-2210.DOI:10.1001/jama.2017.14585