华盛顿州立大学的一组工程师和生物学家开发了一种人工智能系统，能够从人体组织的图像中识别疾病的迹象。该系统使用可扩展的深度学习技术来识别感染，其在时间和准确性上均超过了人类的能力。
要准确进行组织病理学诊断，研究人员必须整合人工智能、计算机视觉和医学。这一交叉领域的核心问题是阻碍自动疾病检测模型发展的主要障碍。此外，显微镜图像的庞大尺寸和组织层面的复杂结构增加了另一层困难。在千兆像素的图像中寻找病理实例对于人类来说是一项耗时的任务，这也在一定程度上质疑了任何检测模型的实时应用能力。
最新发表在《科学报告》上的一项研究提出了一种新的深度学习模型，可以高效地识别千兆像素组织病理学切片中的错误。这一创新方法可以加快疾病相关研究的速度，而这些研究通常需要病理学家花费数小时来识别病理实例。
“这个基于AI的深度学习程序在检查这些组织方面非常准确，”迈克尔·斯金纳（Michael Skinner）说，“它有可能彻底改变这种医学，无论是对动物还是人类，都能更好地促进这类分析。”
该AI模型由两个部分组成：数据准备和深度学习模型。在数据准备阶段，使用滑动窗口查看图像的多个分辨率子区域。为此，研究人员使用了斯金纳实验室过去表观遗传学研究中的图像。这些图像包含大鼠和小鼠肾脏、睾丸和卵巢组织中的疾病迹象。为了向AI提供更多输入，研究人员还提供了更多千兆像素的图像，包括乳腺癌和淋巴结转移。
在测试过程中，研究人员发现新的AI模型比之前的系统更高效、更准确。有趣的是，它甚至识别出了训练有素的人类未能发现的病理情况。
“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，”该研究的作者霍尔德（Holder）说。
在这些现代系统出现之前，分析工作需要多名训练有素的专业人员在显微镜下识别和标注组织。这项工作随后由病理学家重新检查，以减少人为错误。据研究人员称，斯金纳的大规模表观遗传学研究原本需要人类花费近一年的时间。现在，借助新的AI深度学习模型，研究人员可以在几周内获得相同甚至更准确的数据。
计算机工程师将该模型与数十亿像素集成，这对于处理极高分辨率的图像至关重要。工程师们加入了扫描图像小块并将其置于更大区域上下文中的功能。此外，该系统具有反向传播功能，意味着它可以从中学习错误，纠正错误，并避免重复犯错。
“我们设计的网络是最先进的，”霍尔德说，“我们在本文中与其他系统和其他数据集进行了比较，它胜过了所有系统。”
(全文结束)
