IBM 最近在醫(yī)學領域成果喜人，動作不斷。繼成功用照片診斷皮膚癌后，IBM 研究院日前發(fā)布最新成果稱，他們采用了深度學習和神經(jīng)網(wǎng)絡，在識別癌變細胞的有絲分裂上取得了巨大進展。

醫(yī)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(xiàn)的重要特征，以幫助醫(yī)生對癥下藥。

病理學家在分析樣本時，會將一些典型的組織樣本用試劑溶液進行著色標記。結果顯示，試劑顏色的深淺及其在細胞組織內(nèi)的分布情況，能夠區(qū)分疾病的種類及疾病的惡化程度。

2016年腫瘤擴散評估挑戰(zhàn)賽的乳腺癌細胞訓練樣本

病理學家隨后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(yī)學影像技術及深度學習的發(fā)展，病理學家們亟需計算機技術的援助，而計算機科學家們也在為之不懈努力。為了驗證人工智能技術在醫(yī)療領域中的應用效果，科學家們組織了一場黑客馬拉松挑戰(zhàn)賽。

幾個星期前，在烏德勒支大學醫(yī)學中心、艾因霍芬技術大學、貝斯以色列女執(zhí)事醫(yī)療中心和哈佛醫(yī)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(zhàn)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(yī)學院提供的500張乳腺癌細胞圖像。作為訓練樣本，該數(shù)據(jù)集超過了 50000*50000 像素的分辨率。誠然，這場挑戰(zhàn)賽是一場鏖戰(zhàn)，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“基于自適應算法的有絲分裂檢測難題”挑戰(zhàn)賽。競賽長達數(shù)月，經(jīng)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(jīng)網(wǎng)絡解決癌癥中的難題

“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，那就交給計算機來解決吧”，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，我們開始通過基于神經(jīng)網(wǎng)絡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(jīng)過一段時間的訓練后，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，在后續(xù)的研究中我們可以不斷對其進行優(yōu)化，從而將時間成本壓縮到 20 秒以內(nèi)，同時可以診斷任一種類型的癌癥。”

“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(shù)據(jù)（包括基因組學和蛋白質(zhì)組學）的深入分析，為病人提供更精準的醫(yī)學診斷。”來自IBM巴西實驗室并參與了這一挑戰(zhàn)賽的 Matheus Viana 時常在思索這一項目的未來發(fā)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腺癌成像分析的研究結果。

癌癥僅僅是 IBM 公司在醫(yī)療圖像領域研究的一類疾病。 IBM 會員兼醫(yī)學圖像領域?qū)＜?nbsp;Tanveer Syeda-Mahmood 博士了解到該團隊的進展計劃，并計劃與其協(xié)作研究，意將深度學習方法引入醫(yī)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(jīng)常遇到類似的挑戰(zhàn)。Syeda-Mahmood 的研究成果將在下周北美放射學會的年會上展出。