来源：分析测试百科网

　　随着机器学习技术的不断发展，其在医学图像分析领域已经取得了飞速进步。近日，来自Norris Cotton Cancer Center的研究人员利用机器学习模型，对肺腺癌的肿瘤模式和亚型进行了分级。结果显示，该模型与3位病理学家的表现旗鼓相当。这项研究发表在了《Scientific Reports》上。

图片来源：123RF

　　肺腺癌（lung adenocarcinoma）是肺癌的一种，属于非小细胞肺癌。目前，肺腺癌的诊断方式主要为病理学家肉眼对肺叶切片图像进行检查，从而确定肿瘤模式和亚型。这种诊断方式对肺癌的预后以及确定治疗方案有着非常重要的作用，但是这一过程通常比较困难，且病理学家的判断往往有一定的主观性。

　　针对这一情况，来自Norris Cotton Cancer Center的研究人员开发并训练了一种新的机器学习模型，并将病理学家识别的肺癌组织学样本全切片图像与该模型识别出的图像进行比较。根据计算机模型生成的结果，研究人员使用不同颜色在图像上进行标注。结果显示，计算机模型识别出的图像结果与病理学家进行的主观性评估结果基本相符。

▲左图为病理学家标注的图像结果，右图为机器学习模型的识别结果（图片来源：Hassanpour Lab, Dartmouth's Norris Cotton Cancer Center，《Scientific Reports》）

　　“这项研究表明，在具有挑战性的图像分类任务上，机器学习可以拥有非常好的表现，并有可能成为肺癌诊断的助手，”这项研究的负责人、达特茅斯学院生物医学数据科学系副教授Saeed Hassanpour博士表示：“我们系统的临床应用将能够帮助病理学家对肺癌亚型进行准确的分类，这对肺癌的预后和治疗至关重要。”

　　除了在临床环境中测试深度学习模型，以验证其改善肺癌分类的能力之外，该团队计划将该方法应用于乳腺癌、食管癌和结直肠癌等组织病理学图像分析之中。Hassanpour博士说道：“机器学习方法识别图像的速度很快，识别一张图片只需花费不到一分钟的时间。因此，该模型可以在医生检查前完成患者分诊，并极大地协助病理学家对图像的检查工作。”

　　目前，Hassanpour博士及他的团队将这一模型的代码开源，以促进该领域的更多新研究和新合作。

　　参考资料：

　　[1] A new machine learning model can classify lung cancer slides at the pathologist level. Retrieved March 12, 2019, from https://www.eurekalert.org/pub_releases/2019-03/dmc-anm030119.php

　　[2] Wei, et al., (2019). Pathologist-level classification of histologic patterns on resected lung adenocarcinoma slides with deep neural networks. Scientific Reports, doi: https://doi.org/10.1038/s41598-019-40041-7