AI时代下的乳腺癌如何诊疗?

人工智能的研究呈现高度技术性和专业性特征,各分支领域都非常深入但又各不相通,因而涉及范围极广。在医学领域,人工智能也发挥了重要作用,尤其是在肿瘤诊断、抗癌药物研发等方面。那么,人工智能在乳腺癌的诊断和治疗等领域的应用情况如何?目前有哪些新的进展?

一.人工智能与乳腺癌的影像诊断

乳腺X射线摄影、超声、MRI等影像技术已经成为乳腺癌检出、分期、疗效评估以及随访的重要手段。20世纪80年代,计算机辅助诊断(Computer-Aided DiagnosisCAD)通过影像学、医学图像处理技术及其他手段,对病变的特征进行量化分析处理并做出判断,辅助影像科医师发现并分析病灶,避免因临床医师经验及知识水平等主观因素的局限性带来的失误,从而提高诊断的准确率和效率。CAD系统的工作流程大体上分为:数据预处理-图像分割-特征提取、选择和分类-识别-结果输出等几个过程。

根据算法功能和形式的类似性,机器学习一般包括支持向量机(support vectormachineSVM)、模糊逻辑(fuzzy logic)、人工神经网络(artificialneural networkANN)、K最近邻算法(K-nearest neighborsalgorithm)和随机森林(random forest)等不同类型的算法,各种算法具有不同的优势及局限性。

1998年,美国R2公司开发的ImageChecker乳腺CAD系统通过美国FDA批准上市,成为最早投入临床应用的CAD系统。乳腺CAD目前被广泛应用在X线摄影对乳腺癌的筛查上,相关研究主要集中在提高钙化灶和肿块检出的准确性方面,其中X线摄影对微钙化灶的检出率较高,而对肿块的检出率则会受到腺体密度的影响。

意大利学者Parmeggiani等开发出了用于改进识别乳腺X线摄影结果的人工神经网络专家系统(artificial neuralnetwork-expert systemANN-ES),该系统能辅助放射科专家获得更高的乳腺癌确诊率。2016年,美国休斯敦卫理公会医院Stephen T.WongJenny C.Chang团队开发自然语言处理(natural language processingNLP)软件算法,该算法准确获得了543例乳腺癌患者乳腺X线摄影的关键特征,并与乳腺癌亚型进行了关联,其诊断速度是普通医师的30倍且准确率高达99%

世界首台乳腺超声CAD设备B-CAD由加拿大Medipattern公司研制成功,并在2005年获得了FDA批准进入美国销售,其标准化的乳腺检查结果分级报告系统,增加了超声诊断的精确性,能辅助医师提高对乳腺癌的诊断率。Chabi等报道用于乳腺超声的CAD具有高度的敏感度,对于初级影像学医师提高对乳腺恶性肿瘤的诊断水平是有用的工具,但仍存在特异性较低的问题。近几年来,国内有高科技医疗器械公司也在涉足智能乳腺超声系统并开发出了相应产品,其应用价值尚待市场考验。

同样,CAD系统可以辅助乳腺MRI的视觉评估,并提供有用的附加信息。2003年,Comfirma公司推出了首款商用乳腺MRI-CAD软件CADstream,该软件是依据MRI增强扫描时,对病灶摄取对比剂的药代动力学参数进行分析,结合形态学参数,对病灶进行检出和定性,目前该软件仍广泛应用于MRI对乳腺癌的筛查。B ttcher等认为CAD系统对于MRI评估浸润性乳腺癌对新辅助化疗的反应具有高特异度(100%),但由于敏感度较低52.4%尚不能取代视觉成像评估。Song等发现,CAD系统对于MRI评估浸润性乳腺癌的多灶性具有明显优势,但对评估淋巴结的转移状态效果不佳。

人工智能与乳腺癌病理诊断

1.人工智能与乳腺癌淋巴结转移病理诊断

常规的乳腺癌病理诊断,是在组织经过固定、脱水、浸蜡、包埋等工序处理后,制成组织切片,染色后由病理医师通过阅片来分析病变特征,从而确定诊断结果。病理诊断也被称为诊断的“金标准”。乳腺癌前哨淋巴结的评估对于乳腺癌患者的TNM分期以及临床处理如是否进行腋窝淋巴结清扫等都具有极其重要的意义,而人工进行前哨淋巴结病理学检查较为费时费力,而且在转移灶很小的情况下,得出正确的诊断就更为困难。人工智能在乳腺癌淋巴结病理诊断中涉及的一般是最后的阅片环节。与前面提到的CAD辅助乳腺癌影像诊断类似,人工智能通过特定的算法,对病理图片进行智能处理,通过训练和对算法的优化,以实现开发出高精度、高效率的病理识别算法模型的目标。

20173月,来自谷歌大脑(Google Brain)、谷歌公司与Verily生命科学(Verily Life Science)的科学家们利用卷积神经网络(convolutional neural network)架构的人工智能技术,对130张病理切片进行乳腺癌淋巴结转移病灶检测。在正式测试前,科学家们预先提供了许多肿瘤组织与正常组织的病理切片,并将这些切片图像分割成了数万至数十万个128×128像素的小区域,供人工智能学习。同时,一名人类病理学家花了30h进行了同样的检测。结果人工智能达到了88.5%的准确率而病理学家的准确率仅有73.3%

2.人工智能技术与乳腺癌针吸细胞学病理诊断

乳腺癌针吸细胞学病理诊断(fine needleaspiration cytologyFNAC)是乳腺癌重要的早期诊断方式之一,人工智能技术在提高细针穿刺抽吸(fine needle aspirationFNA)诊断准确性方面亦能发挥作用。Fiuzy等报道在整合使用了进化算法(evolutionary algorithmEA)、遗传算法(geneticalgorithmGA)、精确分类系统(fuzzy C-meansFCM)以及ANN等人工智能技术的基础上开发出的新算法,对205例乳腺癌FNA检测样本实现了高达96.58%的诊断准确率。Subbaiah等在Neurointelligence软件的帮助下,建立了ANN模型,该模型准确识别出了用于检测的全部52例乳腺纤维腺瘤和60例乳腺浸润性导管癌的FNAC样本。

从上述结果来看,人工智能对于乳腺癌特别是淋巴结转移癌的病理诊断水平远胜人类,那是不是意味着在影像学及病理学方面,人工智能可以完全替代人类专家了呢?谷歌技术主管MartinStumpe指出,相比人类病理学家,人工智能仍缺少丰富的知识和经验,会出现假阳性的误判,而且不能像人类专家一样检测出如炎症等还没有训练过的异常分类。就目前而言为得到最佳的临床诊断效果、提高病理医师诊断的一致性,将这些人工智能技术作为病理学家的辅助工具,融入到其临床工作中去,可能是一个可行的方法。尽管“从实验室到临床”尚有距离,笔者认为这种两者结合的过程可能迅速得以实现。

 

综合材料自医械世界-好医生医械世界、北清汇