深度学习在癌症诊断的应用-调研报告

深度学习在癌症诊断的应用神经条件随机场肿瘤识别2018AI算法，名为“神经条件随机场Camelyon16大赛测试集上，该FROC0.8096，超过专业病理医生水平以及由哈佛和AI在眼底影像、放射影像、以及智能问诊等其他一些医疗领域的应用。大海捞针（1所示）。图1此产生的假阳性十分显著。3x3“条件随机场”神经条件随机场”区域外，几乎没有引入任何其他假阳性区域。图2在Camelyon160.8096的肿瘤定位FROC分数，不仅显著超越了专业的病理医生水平(0.7240)，也超过了之前大赛的最好成绩(0.8074)。同时，百度研究院也在Github究。深度学习识别血液中的癌细胞加州大学洛杉矶分校和南特工厂的研究人员开发了一种人工智能驱动的设备，它可以在几毫秒内检测癌细胞-疾病在体内传播。疾病在体内传播。一篇关于这一进展的论文发表在《自然科学报告》杂志上。该方法依赖于两种核心技术：深度学习和光子时间拉伸。深度学习是一种“训练”来执行任务。在深度学习中，称为神经网络的算法是根据人脑的工作方式建模音乐和视频方面特别有效。UCLA1000上..镜、光谱学和其他应用的新型生物医学仪器。SamueliBahramJalali说：“生的珍贵数据数量极多，时间延长仪器和深度学习是天造地设的一种匹配。”该系统还使用了一种称为成像流式细胞术的技术。细胞测量是测量细胞特当它们通过载体流体流动时。虽然在流式细胞术中已经有对细胞进行分类的技在他们以前的工作的基础上，Jalali除了其他技术的时间密集型处理步骤。“我们优化了深层神经网络的设计，以处理由我们的时间拉伸成像流式细胞仪产生的大量数据，从而提高了软件和仪器的性能，”访问博士生李月琴说，他是该论文的第一作者。AtaMahjoubfar项技术允许仪器在几乎瞬间确定一个细胞是否癌变。“”他说。相反，深层神经网络对原始数据本身的分析速度极快。巴结转移程度乳腺癌乳腺癌是女性最常见的恶性肿瘤，在2019年中国癌症报告中居女性癌症死窝淋巴结转移情况的重要方法。前哨淋巴结活检结果为窝淋巴结转移情况的重要方法。前哨淋巴结活检结果为≤2个阳性的乳腺癌患者可不行腋窝淋巴结清扫术，而可不行腋窝淋巴结清扫术，而≥3个阳性前哨淋巴结的乳腺癌患者则需进一步行假阴性率和假阳性率，假阴性率和假阳性率，43-65%患者因前哨淋巴结活检阳性而行腋窝淋巴结清扫术。术。AUC0.585-0.719，无法满足临床需求。中ft周建华教授团队联合复旦大学信息科学与工程学院电子工程系余锦华教授团队和中国科学院深圳先进技术研究院的研究人员，发现深度学习超声影像组学能够有效预测早期乳腺癌患者的腋窝淋巴结转移状态，预测无腋窝淋巴结转移）一个及以上淋巴结转移）AUC0,.902，预测2个淋巴结转移）个及以上淋巴结转移）的效能达到0.905该原创性研究成果于近日在NatureCommunicationsDeeplearningradiomicscanpredictaxillarylymphnodestatusinearly-stagebreastcancer。584采用基于深度学习的影像组学方法提取乳腺癌病灶的灰阶超声和剪切波弹性成像的高通量特征参数，同时联合临床病理信息建立预测模型（见下图0个或≥1个腋窝淋巴结转移的曲线下0.9021-2个或≥3个腋窝淋巴结转移中，曲线下面积达0.905，预测效能均显著高于腋窝超声检查、深度学习超声影像组学预测乳腺癌腋窝淋中ft大学肿瘤防治中心（硕士生）（博士生）息科学与工程学院电子工程系（硕士生为共同第一作者。参考文献：Zheng,X.,Yao,Z.,Huang,Y.etal.Deeplearningradiomicscanpredictaxillarylymphnodestatusinearly-stagebreastcancer.NatCommun11,1236(2020)./10.1038/s41467-020-15027-z德国开发出能自动识别转移癌细胞的深度学习算法日期：2020年01月07日 14:58 来源：科技部2019121290%以上的癌症病人不是死于癌细胞扩散而非原发性肿瘤。由于生物发光法、MRI亥姆霍茨慕尼黑中心组织工程与再生医学研究所的科研团队发明了一DeepMACT的深度学习算法，它不仅可自动辨认出转移的癌300倍。国留学生一作论文登《细胞》封面2019年12月17日12:422019年12月17日12:42癌症为什么被称为绝症？为什么难治？其实不全在于原始的癌细胞，核心在于转移及其并发症。它的生长力非常强，只要脱落或粘连到哪里，哪里就会生出新肿瘤。而且这个过程毫无规律，很难抑制，导致当前的癌症疗法很难实现根治效果，业内的统计数据显示，有90%的癌症死亡是转移导致的。而且转移后的癌细胞到底去了哪里，我们很难发现，虽然现在有生物发光、核磁共振等成像技术，但是分辨率都不够高，无法对全身细胞进行全面的检测。但最新一期登上Cell封面的研究，让我们第一次看清了癌症转移后所有病灶。DeepMACT，能内在细胞水平自动检测和分析整个小鼠身体中的癌症转移。这篇论文的第一作者潘晨琛博士说：“DeepMACT 是第一种能够全身（癌细胞）转移过程进行定量分析的方法。”基于这项技术，人类能够看到其单个癌细胞形成的转移位点，这也是科学家首次完成这一壮举。而且所使用的时间不到一个小时，准确率比肩人类专家，效率提高300倍以上。以往如此工作量，让人类来做可需要数月时间才能完成。他们将这项技术用在药物治疗后小鼠身上，发现药物最多漏过23%的转移位点。这也给许多癌症在治疗后，总会出现复发提供了一种解释。当前，这一分析工具DeepMACT已经开放使用。“目前，肿瘤临床试验的成功率约为5%DeepMACT术可以大大改善临床前研究的药物开发过程。因此，这可能有助于为临床试验找到更强大的候选药物，并有望帮助挽救许多生命。”研究的通讯作者，也是潘晨琛的导师AliErtürk表示。vDISCO成像技术第一步，是通过vDISCO方法，把癌细胞的荧光蛋白信号增强100倍以上。vDISCO 成像技术同样来自论文通讯作者Ali Ertürk的团队，共一作是蔡瑞瑶和潘晨琛。通过这项技术，研究人员可以把癌细胞已经发生转移的小鼠处理成透明状态。vDISCO可以将癌细胞的荧光蛋白信号增强两个数量级（100倍）然后，将透明小鼠从头到脚进行光片显微镜成像，所有光片图像组合起来就能获得小鼠完整的3D图像。这样一来，研究人员就能揭示所有肿瘤转移位点，甚至能检测到单个癌细胞的最小转移灶。相比之下，此前的生物发光成像技术只能定位到较大的转移灶。△生物发光技术(A-G)vsvDISCO(M-N)DeepMACT 深度学习算法获得了高分辨率的成像数据还只是第一步。要知道，这些数据的体量非常庞大，手动进行分析将是非常耗时的过程。为了解决这个问题，研究人员开发了一种基于深度学习的新算法——DeepMACT。核心架构是CNN。其结构类似于U-net，通过使用可检测出癌症特征的编码单元深堆栈，以及在每个像素级别分割转移灶的解码单元堆栈，该网络可以把转移灶和背景信号区分开。具体而言，DeepMACT是通过CNN处理小的子体积的2D投影，来实现对转移灶的检测和图像分割。首先，导出每个子体积的三个2D最大强度投影（与x轴、y轴和z轴对齐），增强信噪比。将投影结果喂给CNN，得到2D概率图。其中每个像素值代表该像素在给定投影下识别出转移灶的概率。然后，用三个2D概率图重建3D分割。如此一来，真阳性转移灶的检测可靠性增加了。同时，在各个投影中产生假阳性的非转移性组织则被妥善地忽略掉了。举个例子，在上面这张图中，绿色箭头指向真正的转移灶，红色箭头显示“”。在经过CNN的加工之后，真转移灶被成功检测出来，而“”则被消除了。研究人员证明，DeepMACTF1分数达到了80%，远超现有的基于过滤器的检测器。并且，DeepMACT 的检测性能非常接近人类专家手动注释的水平值得注意的是，人类专家的分数（83%）虽稍高于DeepMACT，但其错过了大约29%的微小转移灶。也就是说，DeepMACT 算法在检测转移灶的准确率上足以与人类家相媲美，而速度则提高了300倍以上。论文共同一作OliverSchoppe 表示：仅需单击几下，DeepMACT 即可在不到一个小时的时间内，完成动检测几个月才能完成的工作。现在，我们能够在日常工作中，对单个扩散的癌细胞进行高通量转移分析了。△DeepMACT 处理时长vs 人类专家处理时抗体药物错过了23%的转移灶借助DeepMACT，研