深度学习对非小细胞肺癌病理切片的分类和突变基因预测

免疫组化抗体神器

好评必备! 免费下载

  导  语
  众所周知,人工智能在医学领域内进军最为迅速的是影像科,而病理科作为医院内也有大量数据的科室,也是AI可以大展身手的地方。大多数疾病的诊断,病理结果还是“金标准”,而在此过程中病变组织的病理切片就显得尤为重要,尤其是肿瘤组织的良恶判断、分型、分期;同时病理科医生也每天埋头于组织切片的制备与判读中,那么AI的快速发展能否为病理科医生分担一些重任了?
  最近(2018-09-17)发表在《Nature Medicine》上的一项研究就为病理科医生以及肿瘤科医生(研究者)带来了新的曙光,该项研究是由纽约大学医学院完成的,他们的研究表明利用深度学习可以对非小细胞肺癌的病理切片结果进行分类以及突变基因的预测。
  研 究 简 介
  研究标题: Classification and mutation prediction from non-small cell lung cancer histopathology imgesa using deep learning
  发表杂志: Nature Medicine  (IF:32.621)
  发表日期:2018-09-17
  研究者:Nicolas Coudray, Paolo Santiago Ocampo, Theodore Sakellaropoulos, Navneet Narula, Matija Snuderl, David Feny?, Andre L. Moreira, Narges Razavian,Aristotelis Tsirigos
  研究单位:NYU School of Medicine
  1背景介绍
  组织病理学载玻片是目前病理科医生家评估肺癌进展阶段、分类和分型的主要方法之一。腺癌(LUAD)和鳞状细胞癌(LUSC)是最常见的肺癌亚型,它们的区别需要经验丰富的病理科医生。
  2研究方法
  在该项研究中,研究者在从癌症基因组图谱获得的全幻灯片图像上训练了一个深度卷积神经网络(初始v3),以准确和自动地将它们分类为腺癌、鳞状细胞癌或正常肺组织。
深度学习对非小细胞肺癌病理切片的分类和突变基因预测
图1:该研究中所用的数据和方法。
  3研究结果
  (1)肺癌分类:该方法的表现与病理学家的表现相当,模型评价ROC曲线下的平均面积(AUC)为0.97。
深度学习对非小细胞肺癌病理切片的分类和突变基因预测
  图2:深度学习对非小细胞肺癌的识别与分类。
  (2)突变基因预测:该研究的模型在冰冻组织、福尔马林固定的石蜡包埋组织和活组织检查的独立数据集上得到验证。此外,该训练网络预测腺癌中十个最常见的突变基因。发现其中6个:STK11、EGFR、FAT1、SETBP1、KRAS和TP53-可以从病理图像中预测,在人群中测量的AUC为0.733-0.856。
深度学习对非小细胞肺癌病理切片的分类和突变基因预测
图3:深度学习通过病理切片对非小细胞肺癌基因突变的预测情况。
深度学习对非小细胞肺癌病理切片的分类和突变基因预测
图4:深度学习预测非小细胞肺癌基因突变的空间异质性。
  4研究讨论
  研究者认为他们的研究结果表明,深度学习模型可以帮助病理科医生检测癌症亚型或基因突变。他们的的方法可以应用于任何癌症类型,代码可在以下处获得:https://github.com/ncoudray/DeepPATH
  研 究 解 读
  1.疾病治疗角度
  该研究主要发现了一种AI或“深度学习”程序可以区分出肺癌的亚型:腺癌和鳞状细胞癌,且其准确率达到了97%。
  该深度学习程序还能够确定细胞中与肺癌相关的6种基因(STK11、EGFR、FAT1、SETBP1、KRAS和TP53)的突变情况,其准确度范围为73%-86%,具体取决于基因。这种遗传变化或突变通常会导致癌症细胞出现异常增殖,也可以改变细胞的形态以及细胞与周围环境的相互作用,为自动分析提供视觉线索。
  研究人员表示,确定每种肿瘤中哪些基因发生突变对于增加靶向治疗的使用至关重要,这些治疗仅对具有特定突变的癌细胞起作用。例如,已知大约20%的腺癌患者有EGFR有突变,可以用EGFR的靶向治疗药物。
  但研究作者表示,目前用于确认突变存在的基因检测可能需要数周时间才能返回结果。
  纽约大学朗格尼尔森林癌症中心病理学系副教授Aristotelis Tsirigos博士说:癌症的早发现早治疗特别重要,该研究提供了强有力的证据,证明AI方法能够立即确定癌症亚型和基因突变谱,从而使患者能够尽早接受靶向治疗。
  2.人工智能/深度学习角度
  在目前的研究中,研究团队设计了统计技术,使他们的程序能够“学习”如何在任务中变得更好,但却没有被告知究竟如何。这些程序构建规则和数学模型,使得能够基于数据示例进行决策,随着训练数据量的增长,程序变得“更加智能”。
  受大脑中神经细胞网络启发的较新的AI方法使用越来越复杂的电路来分层处理信息,每一步都将信息输入下一步,并在此过程中为每条信息分配或多或少的重要性。
  目前的团队训练了一个深度卷积神经网络:谷歌的Inception v3,来分析从癌症基因组图谱获得的幻灯片图像,这是一个已经确定的癌症诊断图像的数据库。这让研究人员可以测量他们的程序是如何训练的,以准确和自动地对正常组织与患病组织进行分类。
  有趣的是,该研究发现,研究AI程序错误分类的小部分肿瘤图像中,约有一半也被医生错误分类,突出了区分两种肺癌类型的难度。另一方面,研究中至少一名病理医生错误分类的54张图像中有45张被机器学习程序指定为正确的癌症类型,这表明AI可以提供有用的第二意见。
  研究的另一个作者放射学与人口健康系助理教授Narges Razavian博士说:在该研究中,他们能够提高病理医生诊断的准确度,并表明AI可以发现癌细胞及其周围组织的可见特征中以前未知的模式。数据和计算能力之间的协同作用正在创造前所未有的机会,以改善医学实践和科学。
  3.未来前景
  未来该团队计划继续使用数据对其AI程序进行培训,直到它能够确定哪些基因在特定癌症中突变,准确度超过90%,此时他们将开始寻求政府批准在临床上使用该技术,并且几种癌症类型的诊断。
  参考文献:1.Coudray N, Ocampo P S, Sakellaropoulos T, et al. Classification and mutation prediction from non–small cell lung cancer histopathology images using deep learning[J]. Nature Medicine, 2018.2.2018(18).ScienceDaily:Artificial intelligence can determine lung cancer type.

责任编辑: 希禾
0 0 0

扫一扫下载91360客户端