密西根大学附设医院将AI实际用在开刀房改进脑癌诊断流程

最新刊登在⟪自然-医学⟫(Nature Medicine)学术期刊上的脑癌诊断论文,密西根大学医学院附设医院结合SRH(Stimulated Raman Histology)成像技术与深度学习技术,可以在手术的时候,将诊断肿瘤所需要的时间,从原本的30到40分钟,缩短至不到3分钟。

研究人员使用了一种称为SRH(Stimulated Raman Histology)的成像技术,能在床边快速取得肿瘤组织图像,而这代表医生不再需要等待处理、染色和解释样本等复杂手续,就能审查图像,另外,研究人员应用深度卷积神经网络算法,学习常见的10种脑癌特征,对SRH图像进行精确的预测。这项研究进展不只使得医师能以传统方法10倍以上的速度,掌握脑癌患者病情,而且达到更高的诊断精确度。

由于脑癌患者通常事前只晓得需要进行手术,但无法明确知道自己脑海中的肿瘤是哪一种,而手术团队也需要采集样本,并交由神经病理学家处理之后才会知道答案。在收到检验结果之前,外科医师无法进行手术,密西根大学医学院附设医院神经外科住院医师Todd Hollon表示,这个过程的时间太长。

不过,在医院使用SRH显微镜检查技术之后,这个筛检的过程得以缩短,医师只要在病床旁,几分钟内就可以快速地取得数字图像,并对患者说明详细的病情,同时还能用来了解手术进行的状况,判断手术成功与否。但SRH显微镜检查技术还是有其限制,特别是应用在胶质细胞瘤等特定的脑癌上,其结果仍然不够理想,但是要进行手术,必须做出精确的判断,因此研究人员想借助人工智能的能力,改善诊断结果。

Todd Hollon以450位患者250万张去识别化图像训练卷积神经网络,要以神经网络模型来预测脑癌类型,这些训练图像都是以SRH显微镜获取,主要为常见的脑肿瘤类型。研究团队为了要试验传统筛检方法与人工智能方法的差异,找来278名患者以两种方法进行诊断,一种是从患者身上取得样本,以传统的方法染色和处理样本,另外一种则是使用SRH成像,再以神经网络进行预测。

实验结果显示,利用卷积神经网络的诊断精确度为94.6%,而传统筛检方法则为93.9%。Todd Hollon表示,这项研究的价值在于,他们进行了将人工智能应用在手术室的前瞻性研究,让人工智能工作流程真正用在临床上,除了实际改变脑部肿瘤的诊断方法外,还提供了一种高度标准化的工具,可以用来广泛地诊断脑癌患者。

发表评论