病理检查是癌症诊断的“金标准”。病理专家每天要花很多时间研究病理切片，但这些切片提供的有用信息可能很少。

一种被称为机器学习的人工智能技术可以简化这一过程，使病理专家能够将注意力集中在最有价值的切片上。

尽管癌症病理诊断至关重要，但在过去的150年里，病理学几乎没有任何实质性的进步。仍需要进行组织活检，提取薄层肿瘤组织装片，然后在显微镜下观察。

最近，纪念斯隆·凯特琳癌症研究中心(MSKCC)数据科学家和机器学习专家Thomas Fuchs团队开发的一个被称为Machine Learning的AI系统，具有改变癌症病理学的潜力。研究团队训练超级计算机通过数字化显微切片识别癌症，大大加快了样本分析的进程，使病理专家能将注意力集中在最相关、信息量最大、最有价值的切片上。

这项研究发表在《自然医学》杂志上，堪称癌症病理学的一个重要里程碑。研究分析了来自1.5万多名癌症患者的4.4万多张数字化切片图像。结果表明，Machine Learning可以识别出几乎100%的癌症活组织切片，预计在临床上能减少病理医生65-75%的无效读片工作。

研究团队已建立了一个精准检测模型，准确度堪比训练有素的病理专家。这种新型的AI系统有望被全球病理专家用来辅助他们做出更准确的诊断。

研究团队开发的新方法运用了强大的计算机技术，并经过大量数据训练。这是目前建立的首个临床级别AI系统。

其他计算机模型在面对实际临床样本时可能会崩溃。“它们就像在一个在空旷的停车场训练出来的自动驾驶汽车。在训练时或许行得通，但一旦来开到大马路上就可能彻底失败。”研究者说。

● 高效的AI系统

Machine learning基于深度学习算法，模仿人类大脑通过看实例来识别物体的方式，可在出错时不断调整参数，最终使其能够高精度地检测癌症。

以往的AI系统需要经验丰富的病理专家煞费苦心地对切片进行注释，以准确地标出癌症的位置，严重限制了可检查的切片数量(只有500-1000张切片被用来训练深度学习模型)。

而这种AI系统的一个强大特点是，它不需要切片经过事先处理，也无需病理专家对切片手动标注，就能够自我训练以更少的人为输入来识别癌症。

首先，每张切片被分成几千个非常小的单位，AI模型将自己的结果与病理报告进行比较，通过不断的迭代从而获得识别能力，判断什么是癌症，什么不是癌症。

这一系统可用于癌症病理专家稀缺的地区。病理专家每天要花好几个小时研究切片，但这些切片提供的有用信息可能很少。例如，一个病人的前列腺活检程序可产生45张以上切片，而且每张切片都必须单独检查。

“在这样大量的图像中检测微小的癌症病变如同大海捞针，病理专家必须经过多年的训练才能可靠地做到这一点。而这个模型提供了一个可复制的、强大的系统，帮助他们更准确、更高效地识别病变，这对病人也更好。”

● 真实的临床数据

研究的样本来自MSK一年多来拍摄的所有切片，全都是真实的临床数据。患者患有三种类型的常见癌症：前列腺癌、皮肤癌或已扩散到淋巴结的乳腺癌。一些瑕疵切片也包括在内，例如不规则的气泡。这会使切片难以分析和阅读，但都是病理学家在实际工作中会遇到的。

这与早期的研究形成了鲜明的对比。早期的AI系统只使用“精选”的切片集，因为它们清晰可见、易于分析。

这是第一个真正临床级的病理学AI模型。结果证明，可以利用混乱、无规则的真实数据大规模训练深度学习模型。

● 最终目标

数字病理学在美国还没有广泛应用于初级诊断。一定程度上是因为这项技术成本高昂，而且它的好处一直难以证明。Machine learning系统是MSK计算机科学家、机器学习专家、病理学家和肿瘤学家多年密切合作的成果。

研究团队的最终目标是将这一知识大众化，让全世界的病理学家和患者都能从中受益。