本文联合NanoLabs微信公众号发布专注于纳米医学、生物材料与工程、分析传感、柔性可穿戴器医疗器件ID：NanoLabs 2020年1月6日，Nature Medicine在线发表关于利用深度神经网络实现近实时术中超快速肿瘤诊断。术中诊断对癌症手术期间提供安全有效的护理至关重要。术中诊断现有的工作流程是基于组织H&E染色，但是这过程是耗时、耗资和劳动密集型的。此外，术中组织学图像的解读依赖于少部分且分布不均的病理工作队伍。于此，密歇根大学Daniel A. Orringer等人报道一个平行工作流程，结合受激拉曼组织学（SRH）、无标记光学成像方法和深卷积神经网络（CNNs）以自动方式近实时预测床旁诊断。 具体来说，该CNNs在250多万张SRH图像上进行训练，实现在150s内预测手术室中的脑肿瘤诊断，比传统技术（20–30min）快一个数量级。在一项多个研究中心的临床试验（n=278）中，证明了基于CNN的SRH图像诊断不逊于基于病理学的常规组织学图像解释（总准确率为94.6%对93.9%）。该CNNs学习了一个可识别的组织学特征表现的层次结构，对脑肿瘤的主要组织病理学类别进行分类。此外，研究人员还使用一种语义分割方法来识别SRH图像中肿瘤浸润的诊断区域。这些结果显示了术中癌症诊断如何能被简化，为组织诊断创造了一条独立于传统病理实验室的互补途径。 常规方法和SRH+CNN方法比较近几年来，人工智能（AI）不断出现在日常生活中，最常见的就是手机中的人脸识别、智能语音（如Siri）等等技术。对于这三个概念：人工智能（Artificial Intelligence, AI），机器学习（MachineLearning, ML），深度学习（Deep Learning, DL），它们之间的关系可以理解为：人工智能是最早提出的，范围很广，即用计算机来模拟人的一些思维过程和智能行为，之后发展出机器学习，即机器通过数据训练（输入大量的猫的图片），然后对于事物做出判断（眼前这张图是不是猫），在此基础上又发展出深度学习，深度学习是基于人工神经网络，通过大量的数据进行训练和学习（识别大规模猫图片），然后做出预测判断（是什么类型的猫）。人工智能已经渗透到生活的各个领域，在医疗健康行业亦是如此，下面给大家介绍下近期人工智能如何为生物医学临床研究服务。就在前几天，2020年1月1日，Nature杂志在线发表了谷歌公司和DeepMind公司合作开发的人工智能系统，实现对乳腺癌进行筛查，谷歌人工智能技术有望超越医学专家。早期胸部肿瘤X射线透视法的目的是在疾病较早的阶段识别乳腺癌，以便更成功地进行治疗。尽管全世界都存在筛查程序，但乳房X线照片的解释受假阳性率和假阴性率的影响。有鉴于此，谷歌健康Scott MayerMcKinney、Daniel Tse和ShravyaShetty等人提出了一种人工智能（AI）系统，该系统能够在乳腺癌预测方面超越人类专家。 为了评估其在临床环境中的性能，研究人员选择了来自英国的大型代表性数据集和来自美国的大型丰富数据集。结果显示假阳性绝对减少了5.7%和1.2%（美国和英国），假阴性绝对减少了9.4%和2.7%。在对六位放射科医生的独立研究中，人工智能系统的表现优于所有人类解读者：人工智能系统的接收器工作特性曲线（AUC-ROC）下的面积比普通放射科医生的AUC-ROC大11.5%。对人工智能系统参与英国使用的双读过程进行了仿真模拟，结果发现AI系统保持了不逊色的性能并将工作量减少了88％。AI系统的强大评估为临床试验铺平了道路，以提高乳腺癌筛查的准确性和效率。 另外，在上个月，2019年12月12日，Cell杂志来自德国的一项研究利用深度学习首次看清全身肿瘤转移灶。长期以来，为了更好地了解和治疗癌症转移，一直需要可靠的检测手段来检测散布的肿瘤细胞以及靶向肿瘤的治疗性抗体在全身的生物分布。于此，德国亥姆霍兹慕尼黑研究中心Ali Ertürk等人开发了一个用于自动量化癌症转移和治疗性抗体靶向的技术，名为DeepMACT。首先，研究人员通过使用vDISCO方法对透明小鼠转移瘤进行成像，该方法能将癌细胞的荧光信号增强了100倍以上。 其次，开发了深度学习算法，通过精确匹配人类专家手册注释，自动量化转移灶。在5种不同的转移癌模型（包括具有不同器官取向的乳腺癌、肺癌和胰腺癌）中，基于深度学习的量化使我们能够系统地分析诸如大小、形状、空间分布以及治疗性单克隆抗体靶向转移的程度等特征。因此，DeepMACT可以极大地促进在临床前阶段发现有效的基于抗体的治疗方法。 最后，附上文献中关于全身肿瘤转移的视频，真的是非常震撼：来源丨Cell 2019年更早些时候，医学神刊CA（IF:224）也发表关于AI技术在肿瘤成像方向综述，探讨了AI在临床肿瘤诊断的机遇和挑战。当人工智能与生物医学碰上火花，也许就在不久的将来，它能将为人类疾病诊断和治疗提供更方便、更精确、更快捷的手段。参考文献1.Hollon, T.C., Pandian, B., Adapa, A.R. et al. Near real-time intraoperativebrain tumor diagnosis using stimulated Raman histology and deep neuralnetworks. Nat Med (2020)doi:10.1038/s41591-019-0715-9https://doi.org/10.1038/s41591-019-0715-92.McKinney, S.M., Sieniek, M., Godbole, V. et al. International evaluation of anAI system for breast cancer screening. Nature 577, 89–94 (2020)doi:10.1038/s41586-019-1799-6https://doi.org/10.1038/s41586-019-1799-63.Pan, et al., Deep Learning Reveals Cancer Metastasis and Therapeutic AntibodyTargeting in the Entire Body. Cell, 2019. 179(7): p. 1661-1676.e19.doi:https://doi.org/10.1016/j.cell.2019.11.013https://www.cell.com/cell/fulltext/S0092-8674(19)31269-34.Bi, W.L., Hosny, Aerts, H.J.W.L., et al (2019), Artificial intelligence incancer imaging: Clinical challenges and applications. CA A Cancer J Clin, 69:127-157.doi:10.3322/caac.21552https://doi.org/10.3322/caac.21552 生物医学学术QQ群：99066659加微信群请添加编辑微信：18965840059