诊断成像实验室中的“深度学习”计算机通常会在诊断心力衰竭，检测各种癌症并预测其力量方面击败他们的同行。但是，尽管如此，研究人员并不认为这种机器有可能会替代病理学家和放射学家。
凯斯西储大学的Anant Madabhushi诊断成像实验室的“深度学习”电脑在诊断心脏衰竭，检测各种癌症和预测其力量方面经常击败他们的同行。
但Madabhushi--即使他很乐意吹捧他在实验室中出现的3个明显的网络优势的最近例子也驳斥了当这些机器取代病理学家和放射学家时对未来未来的任何暗示。
“对于这个想法，病理学家和放射科医生最初总是会有一些畏缩和焦虑我们的计算成像技术可以超越我们甚至是接受我们的工作，”Madabhushi说，他的中心已经在心血管疾病方面取得了重大的诊断进展，自2012年开业以来，一直致力于脑，肺，乳房，前列腺和头颈部癌症的治疗。
工程学院生物医学工程学院的F. Alex Nason教授Madabhushi认为，他的研究不仅引入了宝贵的诊断工具，而且还帮助识别那些侵袭性较低，可能不需要更积极治疗的患者。
自2016年以来，Madabhushi和他的团队从国家癌症研究所获得950多万美元，用于开发用于分析乳腺癌，肺癌和头颈癌的数字病理图像的计算工具，以确定哪些患有这些疾病的患者可以放弃积极的放疗或化疗。
“这并不是说我们能够‘击败’病理学家或放射科医生，而是机器能够为他们所能提供的价值增加价值，”他说。“迫切需要更好的决策支持工具，使他们能够为患者服务，特别是在病理学家或放射科医师非常少的地方。
“通过向他们提供决策支持，我们可以帮助他们提高效率，例如，这些工具可以帮助减少无明显疾病或明显良性病例的时间，并帮助他们专注于更混乱的病例。”
这些工具已经在Case Western Reserve的Madabhushi计算成像和个性化诊断中心（CCIPD）产生了非常准确的结果。
考虑最近的3个例子：
1. Madabhushi实验室的计算机成像系统正确地预测了97%的准确率，其中105名患者已经显示出未决心衰的证据。相比之下，两位病理学家分别是正确的74%和73%。结果最近发表在期刊PLOS ONE上。
2.Madabhushi和共同研究人员在60.8万美元的美国国防部的国会指示的医学研究计划资助下表明，尽管人类放射科医生可以将在CAT扫描中出现的所有结节的一半标记为“可疑”或“不确定”，约98%的结节实际上是良性的。在最近发表在“医学影像杂志”上的一项研究中，Madabhushi及其研究小组表示，他们的计算机成像技术比两位专家在区分良性和恶性肺结节方面优于5-8%。
3.在美国，芬兰和澳大利亚进行的一项国际前列腺癌扫描研究中，计算成像算法以两种方式优于人类对照，详见最近发表在“磁共振成像杂志”上的一项研究。机器算法在70%以上的放射科医师在磁共振成像（MRI）扫描中错过了临床上显着的前列腺癌的案例中，机器算法已经发现了它。在一半放射科医师在MRI扫描中错误地确定临床上显着的前列腺癌存在的情况下，机器能够正确地识别出没有临床上显着的疾病存在。“这对我们来说都是非常令人兴奋的数据，但现在我们需要更多的验证，并在更大的队列中展示这些结果，”Madabhushi说。“但我们真的相信这是更多的证据，证明病理学和放射学图像的计算成像可以为心血管和癌症研究以及病理学家和放射学家的实际应用做出什么。”
放射组学与病理学：胜利背后的技术。
那么，这些超级计算机究竟做了什么，人类无法在诊断成功中创造如此巨大的利润？
几乎所有计算机在过去半个世纪中的优势都可以说是简短的答案：机器的工作速度和体积要大得多。
这里的精确区别在于，CCIPD的诊断成像计算机可以读取，记录，比较和比较几百张组织样本的幻灯片，病理学家可能花费在单张幻灯片上的时间量。
然后，他们快速完整地记录腺体，细胞核和周围组织的质地，形状和结构等特征，以确定与某些疾病相关的侵袭性和风险。
这就是“深度学习”的来源：从所有这些方面来看，它们创建的算法可以超越人眼在比较和对比这些大量图像时看到的内容。最后，他们正在努力预测一切，从疾病的侵袭程度到扫描的结节是否可能会变成癌变。
最后，所有这些新信息都应该能帮助病理学家和放射科医师对幻灯片和扫描的解读，但更关键的是可以帮助临床医生提供更多的知情治疗建议。
Madabhushi说，通过真正需要护理更准确地分类患者，或者为整个国家提供希望，可以帮助单个病理医生更有效地工作。
“我总是使用博茨瓦纳的例子，他们的人口为200万人我们只知道一位病理学家，”他说。“从这一个例子来看，你可以看到这种技术可以帮助一位病理学家提高效率并帮助更多的人。”
（选自《麦肯息讯》（医药））