人工智能（AI）已经在医学的许多领域得到应用，尤其在帮助医生利用影像数据诊断疾病方面具有巨大潜力。然而，AI模型需要大量的示例进行训练，而这些示例通常只有常见疾病的数据量才足够大。正如慕尼黑大学病理学研究所主任弗雷德里克·克劳施伦教授所说：“这就像家庭医生只需要诊断咳嗽、流鼻涕和喉咙痛一样。真正的挑战在于也要检测到较少见的疾病，而当前的AI模型往往忽视或误诊这些疾病。”
为了克服这一限制，克劳施伦教授与柏林工业大学/柏林基础人工智能研究所的克劳斯-罗伯特·米勒教授及其同事合作，开发了一种新的方法。他们在《新英格兰医学杂志人工智能》（NEJM AI）上报告称，他们的新模型仅需常见疾病的训练数据即可可靠地检测出较少见的疾病，从而显著提高诊断准确率并减轻病理学家的工作负担。
从正常情况中学习
新方法基于异常检测：通过对正常组织和常见疾病的精确表征，模型学会了识别和标记偏差，而无需针对这些较罕见的情况进行专门训练。研究团队收集了两个大型的胃肠道活检组织切片显微图像数据集及其相应的诊断结果。在这两个数据集中，最常见的十种发现（包括正常情况和慢性胃炎等常见疾病）占病例的约90%，而剩余的10%包含56种疾病实体，其中包括许多癌症。
为了训练和评估他们的模型，研究人员使用了总计1700万张来自5423个病例的组织学图像。“我们比较了各种技术方法，我们的最佳模型能够高度可靠地检测出一系列较罕见的胃和结肠病理，包括罕见的原发性或转移性癌症。据我们所知，没有其他已发表的AI工具能够做到这一点。”米勒教授表示。此外，通过热图，AI还可以用颜色标出组织切片中的异常位置。
显著减轻诊断工作量
通过识别正常发现和常见疾病并检测异常，新的AI模型（随着时间的推移将进一步改进）可以为医生提供关键支持。尽管识别出的疾病仍需由病理学家确认，但“医生可以节省大量时间，因为正常发现和一定比例的疾病可以由AI自动诊断。这适用于大约四分之一到三分之一的病例。”克劳施伦教授说。“而在其余病例中，AI可以促进病例优先处理并减少漏诊。这将是一个巨大的进步。”
论文：
J. Dippel & N. Prenil 等：基于AI的临床级组织病理学诊断异常检测。NEJM AI 2024
联系方式：
弗雷德里克·克劳施伦教授
慕尼黑大学病理学研究所
电话：+49 89 2180-73602
电子邮件：Direktion.PATHO@med.uni-muenchen.de
网址：
克劳斯-罗伯特·米勒教授
柏林工业大学
电子邮件：klaus-robert.mueller@tu-berlin.de
(全文结束)
