人類善於通過觀察細胞的模式來發現癌症。但一種新的人工智慧工具——ReceptorNet，則可以通過識別這些模式的細微差異來補充醫生的「漏診」，從而提供更好的治療決策。
Salesforce最新推出的這款機器學習系統——ReceptorNet，可以確定激素受體的狀態——這是臨床醫生在為乳腺癌患者決定合適的治療路徑時的一個重要的生物標記。
該系統由Salesforce公司的研究人員與南加州大學Lawrence J. Ellison研究所的臨床醫生合作開發。近日發表在《自然通訊》（Nature Communications）雜誌上發表的一項研究中，該系統的準確率達到了92%。
報導稱，該系統可以為腫瘤學家確定對乳腺癌患者進行適當治療的關鍵生物標誌物。「我們根據年齡、種族和地點等數據進行了分割分析，從統計學上看，算法的性能沒有差異。」
全世界每年有200多萬女性患乳腺癌，美國每8名女性中就有1人在一生中罹患乳腺癌。2018年，美國男性乳腺癌新發病例為2550例。令人擔憂的是，全球幾乎每個地區的乳腺癌發病率都在上升。
為了解決這個問題，Salesforce的研究人員開發了一種算法，即前面提到的ReceptorNet，它可以通過廉價且無所不在的組織圖像來預測激素受體的狀態。
雖然利用人工智慧來改善乳腺癌患者的預後並不是什麼新鮮事。但迄今為止，諸如谷歌的人工智慧乳腺癌篩查工具等的努力主要集中在癌症診斷上。
它的獨特之處在於它專注於改善為乳腺癌患者做出治療決定的方式。具體地說，ReceptorNet可以預測激素受體狀態從廉價和無處不在的組織圖像。這與目前的醫療標準形成了鮮明的對比：目前的醫療標準既需要一種更昂貴、更不容易獲得的組織圖像，又需要一名訓練有素的病理學家來檢查這些圖像。
通常，醫生或研究人員會對那些在活檢或手術中提取的乳腺癌細胞進行檢測，看它們是否含有充當雌激素或黃體酮受體的蛋白質。(當雌激素和孕激素附著在這些受體上時，它們會加速癌細胞的生長。)
至關重要的是，比起通常使用的系統，它能夠以更便宜、更快的方式確定受體狀態。在今天像美國這樣的國家，它有可能幫助使乳腺癌治療更容易獲得高質量的決策，允許病人在全球範圍內接受最好的治療路徑，無論專業知識可以在他們的醫療保健系統。
特別是在發展中國家，ReceptorNet可以使治療更便宜和更容易獲得。
人工診斷的差漏
就臨床醫生以往通常會選擇的免疫組織化學(IHC)染色分析過程而言，不僅需要顯微鏡，整個流程操作下來也是花費高昂。但IHC染色的問題是——它昂貴、耗時，而且在世界許多地方，特別是在發展中國家，不容易獲得。
Salesforce的研究人員利用數千張H&E圖像幻燈片，對ReceptorNet系統進行了深度訓練，這些圖片來自世界各地「幾十家」醫院的癌症患者。
ReceptorNet已經學會了通過使用一種更便宜和更簡單的成像方法來確定激素受體的狀態——蘇木精和伊紅染色(H&E)，它可以分析細胞的形狀、大小和結構。
之後可以使用含有細胞結構信息的H&E圖像來訓練AI，同時使用從IHC圖像中提取的標籤，IHC圖像中含有關於激素受體存在的信息。
訓練後，該算法可以直接從H&E預測激素受體的存在，而不需要獲取昂貴的IHC圖像。「該算法能夠觀察單個像素，並確定人眼無法察覺的微妙模式。」
部分算法的「偏見」
研究表明，許多用於訓練診斷疾病的算法的數據，可能會使結果上的「不平等」持續下去。
最近，一組英國科學家發現，幾乎所有眼病數據集都來自北美、歐洲和中國的患者，這意味著眼病診斷算法對來自代表性不足國家的種族群體的效果，可能並不那麼太確定。
在另一項研究中，史丹福大學(Stanford University)的研究人員發現，涉及人工智慧醫療用途的研究的大部分美國數據，則是僅限於來源加利福尼亞州、紐約州和麻薩諸塞州。
但Salesforce表示，當分析了ReceptorNet在年齡、種族和地理因素方面的偏見跡象時，它發現它的表現沒有任何靜態差異。他們還表示，無論所分析的組織樣本的製備方法有何不同，它都能做出準確的預測。
Salesforce相信，像ReceptorNet這樣的系統，如果應用於臨床，可以幫助降低護理成本和開始乳腺癌治療所需的時間，同時提高準確性，為患者提供更好的健康結果。在短期內，ReceptorNet為未來的研究奠定了基礎，相比那些有/無這種人工智慧的病理學家的臨床工作流程，可能有助於更好地揭示其潛力。
除了Salesforce之外，許多科技巨頭也投資了人工智慧，但也因此受到了批評。人工智慧表面上可以像腫瘤學家那樣可靠地診斷癌症。
今年1月，谷歌的分支機構谷歌Health發布了一種人工智慧模型，該模型通過對9萬多張X光片的訓練，取得了比人體放射科醫生更好的效果。
Google Health專注於健康相關研究、臨床工具和醫療服務合作夥伴。谷歌聲稱，與之前的工作相比，該算法可以識別出更多的假陰性——那些看起來正常但含有乳腺癌的圖像，但一些臨床醫生、數據科學家和工程師對這一說法提出了異議。在反駁中，合著者說谷歌的研究缺乏詳細的方法和代碼「破壞了它的科學價值」。
瘤學家和醫學和工程學教授David Agus解釋說，長期以來，癌症醫生們一直相信，腫瘤細胞包含著人類大腦無法提取的有關癌症的關鍵信息。
「人類的大腦很擅長通過觀察細胞的模式來確定是否有癌症，但它不能確定這些模式中與癌癥結果相關的細微差別。」換句話說，就是分子開關是什麼。
這意味著，患者可能被診斷為癌症，但隨後必須等待數周得出分子研究結果，以確定他們應該接受何種治療。