(相关资料图)

据估计，到 2020 年，结直肠癌将在美国造成 53,000 多人死亡，成为癌症死亡的第二大常见原因。然而，这一死亡率一直在稳步下降，这可能是由于更好的癌症筛查计划，如结肠镜检查。在结肠镜检查期间，临床医生切除结直肠息肉并在组织病理学载玻片上目视检查它们是否有瘤形成。在可治愈的早期发现癌症并去除浸润前腺瘤或锯齿状病变，最终可降低死亡率。发现的息肉数量和类型也可以指示未来患恶性肿瘤的风险，因此被用作筛查建议的基础。

用于结直肠息肉自动分类的人工智能(AI)模型可以通过提高效率、可重复性和准确性以及减少获得病理服务的障碍来使癌症筛查计划受益。在达特茅斯和达特茅斯-希区柯克诺里斯棉花癌症中心的一项新研究中，由 Saeed Hassanpour 博士领导的计算机科学和临床研究团队训练了一个深度神经网络来做到这一点。他们的模型不仅可以在执业病理学家的水平上区分四种主要类型的结直肠息肉，正如在多个外部机构的数据集上评估的那样，而且还证明了使用单一机构的数据设计的模型可以实现外部数据的高精度。

研究小组发现，在美国 24 个不同机构的 238 张幻灯片上使用时，一个深度神经网络根据达特茅斯-希区柯克医学中心的结肠直肠息肉数据进行训练，其灵敏度和准确度仍与执业病理学家相同。这些发现，“在组织病理学幻灯片上对结直肠息肉自动分类的深度神经网络的评估”，已发表在JAMA Network Open上.“我们的研究是首批展示深度神经网络的研究之一，该网络可推广到来自多个外部医疗中心的数据，”Hassanpour 说。“医学图像分析深度学习领域的一个挑战是收集广泛的数据。在这里，我们可以访问来自 24 个不同机构的组织病理学幻灯片，这让我们有机会评估并证明我们训练的 AI 模型具有广泛的通用性从外部获取新数据。”

Hassanpour 与医学博士 Arief Suriawinata 博士及其来自达特茅斯-希区柯克医学中心病理学和实验室医学系的团队以及 Elizabeth Barry 博士的合作使得访问多机构数据集成为可能。来自达特茅斯 Geisel 医学院流行病学系，以及她来自维生素 D/钙息肉预防临床试验的同事。

Hassanpour 的团队构建了一个图形用户界面来显示神经网络的分类。他们目前正在进行一项临床试验，以评估其算法在协助病理学家诊断结直肠息肉方面的用途。“我们希望创建一个软件应用程序，可以帮助病理学家提高诊断幻灯片的准确性、效率和一致性，”他说。

标签：