华盛顿州立大学开发的一款“深度学习”人工智能模型可以在识别动物和人类组织图像中的病理学或疾病迹象方面，比人类更快、更准确。这一发展详细记录在《科学报告》中，可能大幅加快疾病相关研究的速度。此外，该模型还具有改进医疗诊断的潜力，例如，从活检图像中检测癌症只需几分钟，而通常这一过程需要人类病理学家花费数小时。
“这个基于AI的深度学习程序在查看这些组织时非常准确。它有可能彻底改变这种医学领域，无论是对动物还是人类，都能更好地促进这类分析。”华盛顿州立大学生物学家、论文的共同通讯作者迈克尔·斯金纳（Michael Skinner）说。
为了开发这一AI模型，计算机科学家科林·格里利（Colin Greeley，前华盛顿州立大学研究生）和他的导师劳伦斯·霍尔德（Lawrence Holder）使用了斯金纳实验室过去表观遗传学研究中的图像进行训练。这些研究涉及在大鼠和小鼠的肾脏、睾丸、卵巢和前列腺组织中分子水平的疾病迹象。研究人员随后用其他研究中的图像测试了AI，包括识别乳腺癌和淋巴结转移的研究。
研究人员发现，新的AI深度学习模型不仅快速准确地识别了病理学，而且比之前的模型更快，在某些情况下甚至发现了经过训练的人类团队遗漏的实例。“我认为我们现在有一种方法可以比人类更快、更准确地识别疾病和组织。”该研究的共同通讯作者霍尔德说。
传统上，这种分析需要由专门训练的团队进行艰苦的工作，他们使用显微镜检查和标注组织切片，通常还会相互检查工作以减少人为错误。在斯金纳的表观遗传学研究中，这种分析可能需要一年或更长时间，尤其是对于大型研究。现在，有了新的AI深度学习模型，他们可以在几周内获得相同的数据，斯金纳说。
深度学习是一种试图模仿人脑的AI方法，超越了传统的机器学习，霍尔德说。相反，深度学习模型是通过神经元和突触网络结构化的。如果模型出错，它会“学习”这一错误，通过一个称为反向传播的过程在整个网络中进行一系列更改，以避免重复错误。
研究团队设计了WSU深度学习模型来处理极高分辨率的千兆像素图像，这意味着它们包含数十亿个像素。为了应对这些图像的大文件大小，即使是最强大的计算机也会受到影响，研究人员设计了AI模型来查看较小的单个图块，但仍将其置于较大区域的较低分辨率背景下，这一过程类似于显微镜的放大和缩小。
这一深度学习模型已经吸引了其他研究人员，霍尔德的团队目前正在与WSU兽医学研究人员合作，诊断鹿和麋鹿组织样本中的疾病。作者还指出，该模型在人类疾病研究和诊断方面具有巨大潜力，特别是对于癌症和其他基因相关疾病。只要有数据，如标注了组织中癌症的图像，研究人员就可以训练AI模型来完成这项工作，霍尔德说。
“我们设计的网络是最先进的。”霍尔德说。“我们在本文中与几个其他系统和其他数据集进行了比较，它都胜过了它们。”
这项研究得到了约翰·坦普尔顿基金会的支持。埃里克·尼尔森（Eric Nilsson），华盛顿州立大学生物科学学院的研究助理教授，也是这篇论文的共同作者。
(全文结束)
