转移性肿瘤是指癌细胞脱离原有组织，通过循环或淋巴系统在体内传播，并在其他部位形成身体部位的新肿瘤，众所周知很难被发现。
2016年对波士顿两家医疗中心的乳腺癌患者进行的一项研究发现，四分之一的患者在医疗过程中因“护理流程”失败而受到不同程度的影响，例如由于体检不充分和诊断检查不完整而导致。
全球有50万人死于乳腺癌，其中90%患有转移性肿瘤。
圣地亚哥海军医疗中心的研究人员与谷歌人工智能部门的研究人员现已开发出一种有前途的解决方案，该解决方案使用癌症检测算法自动评估淋巴结活检。
他们的人工智能系统也称为淋巴结助手 (LYNA)，在《美国外科病理学》杂志上发表的题为《基于人工智能的乳腺癌淋巴结转移检测》的论文中进行了描述。
在测试中，其接收器工作特性（AUC）下的面积（检测准确度的衡量标准）达到了99%，这是病理学家无法达到的。
根据最近的一项评估，由于时间限制，病理学家 62% 的时间无法检测到单个载玻片上的小转移瘤。
该论文的作者写道：“人工智能算法可以详尽地评估载玻片上的每个组织切片。
” “我们提供了一个框架来帮助病理学家评估这些算法，并将它们纳入自己的工作流程中（类似于病理学家评估免疫组织化学结果的方式）。
”LYNA 模型是一个基于 Inception-v3 的开源图像识别深度学习模型，它已被证明在斯坦福 ImageNet 数据集上达到了 78.1。
％ 准确性。
正如研究人员解释的那样，它以像素图像（Inception-v3的默认输入大小）作为输入值，然后在像素大小级别显示肿瘤的轮廓，并在训练过程中获得标签——即预测组织切片是“良性”还是“肿瘤”，并调整模型的算法权重以减少误差。
团队改进了之前发布的算法，将LYNA模型置于正常切片与肿瘤切片比例为4:1的训练环境中，提高了训练过程的“计算效率”，从而可以“看到”更多此外，他们将活检切片扫描的变化标准化，他们认为这可以更高程度地提高模型的性能。
研究人员在来自拉德堡德大学（荷兰奈梅亨）和乌得勒支大学（荷兰乌得勒支）医学中心的 Camelyon16 数据集的癌症转移数据环境中训练了 LYNA 模型。
包含淋巴结切片的幻灯片图像和 20 名患者的图像。
它在载玻片（正常、肿瘤）上进行训练，并使用两个评估集（一组由载玻片组成，另一组由载玻片组成）来评估性能。
在测试中，LYNA 模型的滑动精度达到了 99.3%。
当调整模型的灵敏度阈值以检测每张载玻片上的所有肿瘤时，其灵敏度为 69%，准确识别了评估数据集中的所有 40 个转移瘤，没有任何误报。
此外，它不受载玻片中的伪影（例如气泡、处理不良、出血和过度涂抹）的影响。
LYNA 模型并不完美，它偶尔会错误识别巨细胞、生殖细胞癌和骨髓细胞（这些细胞源自称为组织细胞的白细胞），但在评估相同的载玻片时，它的表现确实比病理学家更好。
好的。
在 Google AI 和 Google 母公司 Alphabet 的生命科学子公司 Verily 发表的第二篇论文中，该模型检测淋巴结转移的时间比由六名委员会认证的病理学家组成的团队更短。
缩短了一半。
未来的工作将围绕调查该算法是否提高效率或诊断准确性。
研究人员写道：“LYNA 模型以比病理学家更高的灵敏度监测肿瘤。
这些技术可以提高病理学家的生产力并减少检测肿瘤细胞形态时的假阴性数量。
”谷歌在人工智能在医疗保健领域的相关应用上进行了大量投资。
今年春天，山景城的医学大脑团队声称已经创建了一个可以预测再入院可能性的人工智能系统，他们在 6 月份使用该系统预测了两家医院的死亡率，准确率高达 90%。
今年 2 月，谷歌和 Verily 的科学家创建了一个机器学习网络，可以准确推断一个人的基本身体信息，包括年龄和血压，以及是否有患心脏病等主要心脏病的风险。
DeepMind 是谷歌位于伦敦的人工智能研究部门，参与了多个与健康相关的人工智能项目，包括美国退伍军人事务部正在进行的一项试验，旨在预测患者住院期间病情的恶化。
该公司此前与英国国家卫生服务中心合作开发了一种算法，可以寻找失明的早期迹象。
在今年早些时候的医学图像计算和计算机辅助干预会议上发表的一篇论文中，DeepMind 的研究人员表示，他们已经开发出一种人工智能，可以以“几乎像人类”的方式分割 CT 扫描。
系统。