机器学习模型在医疗行业的应用可以更好的识别肺癌

研究人员在达特茅斯-希契科克医疗中心 已经创建了分类肺癌幻灯片同样三个病理学家发表在科学报告的一项小型研究如何做一个深刻的学习模式。该模型自动对肺癌样本中的组织学类型进行分类，以帮助医生快速确定最适合患者的治疗方法。研究人员已经在系统上产生了早期的证实数据，现在计划在其他医疗中心的临床环境中对该技术进行测试。

研究人员在达特茅斯-希契科克医疗中心 BQ24115RHLR已经创建了分类肺癌幻灯片同样三个病理学家发表在科学报告的一项小型研究如何做一个深刻的学习模式。该模型自动对肺癌样本中的组织学类型进行分类，以帮助医生快速确定最适合患者的治疗方法。研究人员已经在系统上产生了早期的证实数据，现在计划在其他医疗中心的临床环境中对该技术进行测试。

肺癌的组织学模式分类是治疗途径中关键但棘手的步骤。预后，生存和治疗均与分类有关。然而，定性评估标准和具有多种组织学模式的个体患者的优势使得很难对样本进行分类，这可能导致病理学家之间存在很大分歧。

一项研究发现，肺部病理学家之间的一致程度达到中度至良好水平，对kappa评分的衡量标准为从0(表示不达成一致)到1(表示绝对一致)。在那项研究中，卡帕得分高达0.72，但对疑难病例的其他评估得出的结果却低至0.24，这表明审查幻灯片的专业肺部病理学家之间几乎没有一致意见。

达特茅斯(Dartmouth)团队最近评估了深度学习模型是否可以帮助推动该领域的发展。该模型使用设计为学会识别癌细胞区域并汇总这些分类以推断载玻片上存在的组织学模式的计算机系统。在对279张全幻灯片图像进行训练和开发后，该团队在同一医疗中心拍摄的143张幻灯片上对其进行了测试。该模型的Kappa得分为0.525，与三位病理学家对主要模式进行分类的一致性为66.6%。在三位病理学家中，这一数字略低，分别为0.485和62.7%。

研究结果使研究人员得出结论，该模型“在统计学上与病理学家在所有评估指标上均相媲美”。由于该模型可以快速产生结果，因此研究人员认为可以将其集成到实验室信息管理系统中，并提出模式诊断，或者根据模型的分析自动触发基因测试请求。

为了完全兑现这一诺言，研究人员将需要证明该模型在测试环境之外有效。值得注意的是，培训和测试使用了来自单个医疗中心的图像。先前的研究表明，将该模型应用于其他设施捕获的图像时，效果可能较差。达特茅斯大学的研究人员已将其他团队定位在外，以通过公开发布代码来找出模型在外部数据集上的表现。肺癌的组织学模式分类是治疗途径中关键但棘手的步骤。预后，生存和治疗均与分类有关。

然而，定性评估标准和具有多种组织学模式的个体患者的优势使得很难对样本进行分类，这可能导致病理学家之间存在很大分歧。一项研究发现，肺部病理学家之间的一致程度达到中度至良好水平，对kappa评分的衡量标准为从0(表示不达成一致)到1(表示绝对一致)。在那项研究中，卡帕得分高达0.72，但对疑难病例的其他评估得出的结果却低至0.24，这表明审查幻灯片的专业肺部病理学家之间几乎没有一致意见。

达特茅斯(Dartmouth)团队最近评估了深度学习模型是否可以帮助推动该领域的发展。该模型使用设计为学会识别癌细胞区域并汇总这些分类以推断载玻片上存在的组织学模式的计算机系统。在对279张全幻灯片图像进行训练和开发后，该团队在同一医疗中心拍摄的143张幻灯片上对其进行了测试。该模型的Kappa得分为0.525，与三位病理学家对主要模式进行分类的一致性为66.6%。在三位病理学家中，这一数字略低，分别为0.485和62.7%。

研究结果使研究人员得出结论，该模型“在统计学上与病理学家在所有评估指标上均相媲美”。由于该模型可以快速产生结果，因此研究人员认为可以将其集成到实验室信息管理系统中，并提出模式诊断，或者根据模型的分析自动触发基因测试请求。

为了完全兑现这一诺言，研究人员将需要证明该模型在测试环境之外有效。值得注意的是，培训和测试使用了来自单个医疗中心的图像。先前的研究表明，将该模型应用于其他设施捕获的图像时，效果可能较差。达特茅斯大学的研究人员已将其他团队定位在外，以通过公开发布代码来找出模型在外部数据集上的表现。