IBM 最近在醫(yī)學領域成果喜人，動作不斷。繼成功用照片診斷皮膚癌后，IBM 研究院日前發(fā)布最新成果稱，他們采用了深度學習和神經網絡，在識別癌變細胞的有絲分裂上取得了巨大進展。

醫(yī)生在診斷癌變細胞時，主要通過用活組織切片檢查法分析病人組織樣本的方式。然而即使這些組織有時如針頭般微小，病理學家需要從中檢測出腫瘤細胞消失的種種跡象，也要觀測出癌變細胞出現的重要特征，以幫助醫(yī)生對癥下藥。

病理學家在分析樣本時，會將一些典型的組織樣本用試劑溶液進行著色標記。結果顯示，試劑顏色的深淺及其在細胞組織內的分布情況，能夠區(qū)分疾病的種類及疾病的惡化程度。

2016年腫瘤擴散評估挑戰(zhàn)賽的乳腺癌細胞訓練樣本

病理學家隨后要在顯微鏡下研究這種被標記的組織樣本。然而此階段耗時長且工作量巨大，研究人員每天都要處理上百份樣本，而這樣長時間的高負荷工作難免會導致診斷正確率的降低。

隨著近代醫(yī)學影像技術及深度學習的發(fā)展，病理學家們亟需計算機技術的援助，而計算機科學家們也在為之不懈努力。為了驗證人工智能技術在醫(yī)療領域中的應用效果，科學家們組織了一場黑客馬拉松挑戰(zhàn)賽。

幾個星期前，在烏德勒支大學醫(yī)學中心、艾因霍芬技術大學、貝斯以色列女執(zhí)事醫(yī)療中心和哈佛醫(yī)學院的支持下，主辦方在希臘雅典進行舉辦了“腫瘤擴散評估挑戰(zhàn)賽”（Tumor Proliferation Assessment Challenge，TPAC），作為 2016 年的 MICCAI 國際會議的一個分會活動。

來自全世界各地的 159 支團隊，在活動開展的首日爭分奪秒地下載醫(yī)學院提供的500張乳腺癌細胞圖像。作為訓練樣本，該數據集超過了 50000*50000 像素的分辨率。誠然，這場挑戰(zhàn)賽是一場鏖戰(zhàn)，直到比賽結束的鐘聲敲響，也只有14支隊伍提交了結果。

其中一支隊伍來自 IBM 瑞士實驗室和 IBM 巴西實驗室。這支藏龍臥虎的國際隊伍由法國人，匈牙利人和希臘人組成，共同參與了這界“基于自適應算法的有絲分裂檢測難題”挑戰(zhàn)賽。競賽長達數月，經歷了整整一個夏天，但是付出終有回報。他們在本次比賽中一舉獲得第二名，與第一名只差了 0.004 分。

IBM研究員Erwan Zerhouni、Maria Gabrani與David Lanyi使用深度學習與神經網絡解決癌癥中的難題

“人工辨認細胞的有絲分裂是一個極其棘手的工作，既然如此，那就交給計算機來解決吧”，David Lanyi 如是說。他在 IBM 工作之前曾在蘇黎世理工學院從事深度學習領域的有關研究。

“在今年 7 月，我們開始通過基于神經網絡的深度學習算法進行對組織樣本的特性進行訓練。訓練的主要工作是尋找陰性和陽性組織樣本的細微差別。在經過一段時間的訓練后，機器學習的效果顯著。” 

Erwan Zerhouni 提道，“在五年前這幾乎是一項不可能完成的任務。目前，算法診斷一幅 5600*5600 的圖片需要一個小時，在后續(xù)的研究中我們可以不斷對其進行優(yōu)化，從而將時間成本壓縮到 20 秒以內，同時可以診斷任一種類型的癌癥。”

“我們設法結合 MICCAI 最新的深度學習技術來一起迎接針對組學數據（包括基因組學和蛋白質組學）的深入分析，為病人提供更精準的醫(yī)學診斷?！眮碜訧BM巴西實驗室并參與了這一挑戰(zhàn)賽的 Matheus Viana 時常在思索這一項目的未來發(fā)展。同時，這支團隊正準備與 IBM 海法實驗室的研究人員共享乳腺癌成像分析的研究結果。

癌癥僅僅是 IBM 公司在醫(yī)療圖像領域研究的一類疾病。 IBM 會員兼醫(yī)學圖像領域專家 Tanveer Syeda-Mahmood 博士了解到該團隊的進展計劃，并計劃與其協(xié)作研究，意將深度學習方法引入醫(yī)學篩研究領域。這對放射學與心臟病學的研究頗有裨益。類似地，在視覺疲勞的研究中，藥理學、病理學的專家們經常遇到類似的挑戰(zhàn)。Syeda-Mahmood 的研究成果將在下周北美放射學會的年會上展出。

via IBM research

相關文章：

IBM 在醫(yī)學影像領域發(fā)力，一張照片就能診斷皮膚癌

深度 | 從紐約到灣區(qū)，73歲的 IBM 憑借 Watson 一路向西

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。