一项新的AI模型重新利用伪装动物检测技术来发现脑瘤。发布于2024年11月23日，审稿人Margaret Foley。波士顿大学心理与脑科学系的研究助理教授Arash Yazdanbakhsh博士及其合作者Faris Rustom、Ezekiel Moroze、Pedram Parva和Haluk Ogmen在《生物学方法与协议》杂志上发表了一项研究，展示了如何将独特的可解释AI（XAI）和伪装动物检测算法结合，用于识别人类脑癌。
这项研究首次将伪装动物迁移学习应用于深度神经网络训练，以完成肿瘤检测和分类任务。据世界卫生组织国际癌症研究机构的全球癌症观察站报告，2022年全球脑部和中枢神经系统癌症新增病例超过321,000例，死亡人数达248,500人。
美国每年大约诊断出90,000个脑瘤，其中约25,200个是恶性的，根据《美国癌症协会2024年癌症事实与数据》、国家脑肿瘤协会和全球适应性研究联盟的数据。2024年，美国预计新增25,400例脑和其他神经系统癌症，死亡人数为18,760人。根据国家脑肿瘤协会的数据，美国估计有100万人患有原发性脑瘤，其中约28%是恶性的。最致命的脑癌形式——胶质母细胞瘤（GBM），占美国所有原发性恶性脑瘤的50%，中位生存期为8个月，5年相对生存率为6.9%。
脑瘤是指大脑组织中异常细胞的生长。原发性脑瘤是指起源于大脑或大脑区域的任何肿瘤，而转移性脑瘤则是指从身体其他部位扩散到大脑的癌症。原发性脑瘤可以分为胶质瘤和非胶质瘤。人类神经系统包含神经元和非神经元细胞，称为胶质细胞。神经元，也称为神经细胞或神经元，是能传递电化学冲动的兴奋细胞。据范德比尔特大学神经科学家Suzana Herculano-Houzel博士2012年发表在《美国国家科学院院刊》上的论文，人脑大约有860亿个神经元。
“胶质”一词源自古希腊语“γλία”，意为“胶水”。在中枢神经系统（CNS）中，主要类型的胶质细胞包括星形胶质细胞、小胶质细胞和少突胶质细胞；在外周神经系统（PNS）中，卫星胶质细胞、肠胶质细胞和施万细胞是胶质细胞的例子。胶质细胞在人脑中非常丰富。加州拉霍亚索尔克生物研究所的神经科学家Nicola Allen和苏格兰爱丁堡大学的神经生物学教授David A. Lyons估计，胶质细胞约占中枢神经系统的一半，并在中枢神经系统的形成和功能中发挥作用。早期的一项估计认为，胶质细胞占脑细胞的90%，根据2007年发表在《国际生物化学与细胞生物学》杂志上的论文，作者为加州大学洛杉矶分校的Fei He和Yi E. Sun。
并非所有脑瘤都是致命的。据美国神经外科医师协会（AANS）的数据，已确定的脑瘤类型超过150种。据美国脑瘤协会的数据，美国约27.9%的脑和中枢神经系统肿瘤是恶性肿瘤。
这项研究的独特之处在于将伪装动物检测的AI迁移学习步骤应用于MRI图像中的脑瘤检测，并强调可解释性和透明度。“虽然伪装动物检测和脑瘤分类任务涉及不同的图像，但伪装动物通过自然伪装隐藏与癌细胞束与周围健康组织融合之间可能存在平行关系。”科学家们写道。
研究人员假设，经过训练以识别伪装动物的AI网络可以有效重新用于从磁共振成像（MRI）脑扫描中获得的图像数据中检测脑瘤。在放射学中，两种主要的MRI图像类型是T1加权和T2加权。T1加权图像突出脂肪，适合正常软组织解剖结构，而T2加权图像适合检测液体和异常，如肿瘤、创伤和炎症，根据2023年默克手册。
科学家们重新利用了一个预先训练好的识别伪装动物的AI卷积神经网络（CNN），将其转换为两个AI模型：一个用于分类T1加权MRI，称为T1Net，另一个名为T2Net，用于分类T2加权MRI。团队部署了可解释AI技术，包括一种称为DeepDreamImage的特征可视化方法、图像显著性映射和特征空间。
用于胶质瘤的脑扫描数据主要来自美国国立卫生研究院国家癌症研究所的癌症影像档案（TCIA）和Kaggle公共数据库。肿瘤类别包括少突胶质细胞瘤、少突星形细胞瘤和星形细胞瘤。还使用了波士顿退伍军人医疗系统去识别患者记录的正常MRI数据作为对照组。
“T1Net和T2Net在正常脑图像上都达到了近乎完美的准确性，两个网络之间的假阴性只有1-2个，显示出强大的区分癌症和正常大脑的能力。”科学家们报告说。伪装动物检测的迁移学习增强了AI对脑瘤的分类能力，尤其是对星形细胞瘤的分类。迁移学习增强的AI模型在T2加权MRI模型中达到了92.2%的准确性，超过了没有迁移学习的模型。
“我们的结果表明，这种深度神经网络训练方法具有前景，特别是在使用T2加权MRI数据时，该模型在测试准确率方面表现出最大的改进。”研究人员分享道。研究人员还报告称，使用的定性XAI方法使他们能够可视化AI使用脑癌MRI数据进行训练的过程，以及与各种肿瘤类型相关的特征。通过可解释AI方法，显示AI模型在胶质瘤分类决策过程中采用了基于肿瘤特定特征的方法。
AI深度学习的复兴正在推动重要的科学进步。未来，使用AI非侵入性地区分癌性和非癌性脑瘤有可能成为临床医生、肿瘤学家和放射科医生的辅助工具。
(全文结束)
