IBM's Breakthrough: Watson May Help Beat Cancer
leiphone 作者：sunshine_lady
IBM 最近在醫學領域成果喜人，動作不斷。繼成功用照片診斷皮膚癌後，IBM 研究院日前發佈最新成果稱，他們採用了深度學習和神經網路，在辨識癌變細胞的有絲分裂上，取得了巨大進展。
醫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徵，以幫助醫生對症下藥。
2016年腫瘤擴散評估挑戰賽的乳癌細胞訓練樣本
病理學家隨後要在顯微鏡下，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。
隨著近代醫學影像技術，及深度學習的發展，病理學家們亟需電腦技術的援助，而電腦科學家們也在為之不懈努力。為了驗證人工智慧技術在醫療領域中的應用效果，科學家們組織了一場駭客馬拉松挑戰賽。
幾個星期前，在烏德勒支大學醫學中心、艾因霍芬技術大學、貝斯以色列女執事醫療中心，和哈佛醫學院的支持下，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 像素的解析度。誠然，這場挑戰賽是一場鏖戰，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「基於自適應算法的有絲分裂檢測難題」挑戰賽。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路，解決癌症中的難題
「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，那就交給電腦來解決吧」，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，通過基於神經網路的深度學習算法，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後，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，在後續的研究中我們可以不斷對其進行優化，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症。」
「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學診斷。」來自IBM巴西實驗室，並參與了這一挑戰賽的 Matheus Viana ，時常在思索這一項目的未來發展。同時，這支團隊正準備與 IBM 海法實驗室的研究人員，共享乳癌成像分析的研究結果。
癌症僅僅是 IBM 公司在醫療圖像領域，研究的一類疾病。
IBM 會員兼醫學圖像領域專家 Tanveer Syeda-Mahmood 博士瞭解到該團隊的進展計劃，並計劃與其協作研究，意將深度學習方法引入醫學篩研究領域。
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。Syeda-Mahmood 的研究成果，將在近期北美放射學會的年會上展出。
IBM 會員兼醫學圖像領域專家 Tanveer Syeda-Mahmood 博士瞭解到該團隊的進展計劃，並計劃與其協作研究，意將深度學習方法引入醫學篩研究領域。
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。Syeda-Mahmood 的研究成果，將在近期北美放射學會的年會上展出。
0 comments:
張貼留言