数字前沿 | Nature：哈佛研究团队最新开发癌症AI诊断模型，诊断准确率高达94%！

Python_金钱豹

于 2024-09-30 16:02:18 发布

阅读量409

点赞数 8

文章标签：人工智能科技 3d 知识图谱 gpt

本文链接：https://blog.csdn.net/Python_cocola/article/details/142658726

版权

近年来，随着人工智能（AI）技术的飞速发展，其在医疗领域的应用日益广泛，尤其在癌症检测方面取得了显著成效。近日，哈佛医学院的研究团队开发了一种临床组织病理学成像评估基础（CHIEF）模型，该模型在癌症检测方面展现出了惊人的准确率，达到了近94%的水平，为癌症的早期发现和精准治疗提供了强有力的技术支持。

近日，哈佛大学医学院研究团队在《Nature》上发表了一篇题为“A pathology foundation model for cancer diagnosis and prognosis prediction”的文章，介绍并展示了一种多功能的人工智能诊断模型，用于提取病理成像特征以进行全面的癌症评估，能够对多种癌症进行一系列诊断，比目前许多用于癌症诊断的人工智能方法更进了一步。

PART ONE

CHIEF模型的诞生

CHIEF 是一种可用于弱监督组织病理学图像分析的通用机器学习架构。它能够提取出对癌症分类、肿瘤来源预测、基因组学预测以及预后分析有意义的病理成像表现。

该模型首先在1500万张未标记的图像上进行训练，随后通过对包括肺、乳腺、前列腺、结肠直肠、胃、食管、肾、脑、肝、甲状腺、胰腺、宫颈、子宫、卵巢、睾丸、皮肤、软组织、肾上腺和膀胱等19种组织的60530张数字切片图像进行加强训练。训练模型同时查看图像的特定部分和整个图像，使其能够将一个区域的特定变化与整体背景联系起来。研究人员说，这种方法使CHIEF能够通过考虑更广泛的背景来更全面地解读图像，而不是仅仅关注某个特定区域。最后，在训练结束后，研究小组对CHIEF的性能进行了测试，测试对象是来自全球24家医院32个独立数据集上的19491张数字切片。

CHIEF 模型概述

总体而言，CHIEF在各类任务中的表现比当下最先进的深度学习方法高出多达36.1%。总体来说，CHIEF较传统方法的表现高出9%。

CHIEF 在癌症分类、基因组学识别和生存预测任务中显著优于最先进的方法

PART TWO

CHIEF模型的性能

CHIEF模型在多种癌症类型的检测中表现出色。在包含11种癌症类型的15个数据集上，CHIEF模型的准确率接近94%。

在独立队列的包括食道癌、胃癌、结肠癌和前列腺癌在内5个活检数据集中，准确率甚至达到了96%。

当研究人员在以前从未见过的结肠、肺、乳腺、子宫内膜和子宫颈手术切除肿瘤的切片上测试CHIEF时，该模型的准确率超过90%。

PART THREE

研究结果

1、癌症检测分析

CHIEF模型在活检或手术切除的各类癌症样本的识别中均表现优异，在11种癌症的15个数据集中的AUROC为0.9397，比其他弱监督WSI分类方法：DSMIL(AUROC为0.8409)、ABMIL(AUROC为0.8233)和CLAM(AUROC为0.8016)高；

CHIEF模型在食管癌(CUCH-Eso)、胃癌(CUCH-Sto)、结肠癌(CUCH-Colon)、前列腺癌(Diagset-B和CUCH-Pros)等五个活检数据集中的AUROC均>0.96；

CHIEF在这些数据集中的癌症检测效果显著优于所有其他方法(P <0.001)。

CHIEF模型在检测癌细胞方面的表现优于其他的深度学习方法

2、肿瘤分子特征预测分析

1）普通的基因突变

在泛症基因突变分析方面，预测了9个基因的突变状态，CHIEF模型AUROC>0.8，在CPTAC独立患者队列中，CHIEF模型保持着相似性能。CHIEF模型显著优于PC-CHiP方法(p<0.001)；

2）靶向治疗相关的突变

①通过CHIEF模型预测了OncoKB中与FDA批准的靶向治疗相关的18个基因，涵盖了15种癌症，CHIEF模型AUROC>0.6；在CPTAC独立患者队列中，CHIEF模型保持着相似性能；

②具有高预测性能的突变：包括弥漫大B细胞淋巴瘤中的EZH2 (AUROC为0.9571)、胃腺癌中的NTRK1(AUROC=0.8192)、前列腺腺癌中的BRCA2(AUROC=0.8938)、甲状腺癌中的BRAF(AUROC=0.8889)、肺鳞状细胞癌中的ERBB2 (AUROC=0.8211)和膀胱尿路上皮癌中的FGFR3(AUROC=0.8161)；

CHIEF模型预测不同癌症类型的基因突变

3）IDH状态(鉴别低级别胶质瘤-LGG与胶质母细胞瘤-GBM)

CHIEF模型对六个数据集(TCGA-LGG、TCGA-GBM、MUV-LGG、MUV-GBM、HMS-LGG和HMS-GBM)进行IDH状态预测分析。CHIEF模型均优于其他基线检测方法(P <0.01)；

4）MSI状态(是CRC对免疫检查点阻断反应的明确生物标志物)

①CHIEF模型在 TCGA-COADREAD 数据集和两个独立队列(PAIP202和CPTAC-COAD)中分析MSI状态，其表现显著优于表现最佳的基线方法 (DSMIL)，AUROC改善率分别约为12%、15%和26%。

CHIEF模型预测IDH和MSI状态

3、患者预后分析

在17个数据集中总共使用9,404个WSI，并重点关注了独立队列中的7种癌症类型(COADREAD、LUSC、BRCA、GBM、UCEC、LUAD和RCC)；

CHIEF模型基于初次诊断时的病理学图像成功预测了患者的预后，在所有癌症类型和所有研究队列中，都能区分长期和短期生存患者(P<0.05)，而目前最先进的深度学习方法(PORPOISE和DSMIL)无法可靠地区分(11/15的队列P>0.05)；

CHIEF在生存预测任务中表现出色，平均c-index为0.74，远高于现有方法，比PORPOISE和DSMIL(分别为0.62和0.67)高12%和7%；

III期和IV期癌症患者的表现趋势相似，CHIEF模型的表现比其他方法高出10%。

CHIEF模型预测患者预后

研究人员表示，下一步，他们计划通过以下方式改进CHIEF的性能并增强其能力：

1.对罕见疾病和非癌性疾病的组织图像进行额外训练；

2.在细胞完全癌变之前纳入恶性肿瘤前组织样本；

3.让该模型接触更多的分子数据，以增强其识别不同侵袭性水平的癌症的能力；

4.除了标准治疗之外，训练模型还可以预测新型癌症治疗的益处和副作用。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述