使用可解释的人工智能检测肿瘤浸润淋巴细胞。人工智能技术用于生成热图，显示TILs(红色)和其他组织和细胞(蓝色和绿色)。学分:柏林医学大学和柏林大学以及奥斯陆大学开发了一种新的基于人工智能诊断乳腺癌的组织切片分析系统。两个进一步的发展使这个系统独一无二:首次将形态学、分子和组织学数据整合在一个单一的分析中。其次，该系统以热图的形式提供了人工智能决策过程的说明。一个像素一个像素地，这些热图显示了哪些视觉信息影响了人工智能的决策过程以及影响程度，从而使医生能够理解和评估人工智能分析结果的合理性。这代表着未来在医院中常规使用人工智能系统的决定性和必要的一步。这项研究的结果现已发表在《自然机器智能》杂志上。癌症治疗越来越关注肿瘤组织样本的分子特征。进行研究以确定肿瘤组织中的脱氧核糖核酸是否和/或如何改变，以及组织样品中的基因和蛋白质表达。与此同时，研究人员越来越意识到，癌症的进展与细胞间的串扰以及肿瘤细胞与周围组织(包括免疫系统)的相互作用密切相关。
尽管显微技术能够以高度的空间细节研究生物过程，但它们只允许对分子标记进行有限的测量。这些是相当确定使用蛋白质或从组织中提取的脱氧核糖核酸。因此，空间细节是不可能的，并且这些标记和微观结构之间的关系通常不清楚。“我们知道，在乳腺癌的ca se中，肿瘤组织中被称为淋巴细胞的迁移免疫细胞的数量对患者的预后有影响。也有人讨论这个数字是否有预测价值——换句话说，如果它能让我们说出一种特定疗法有多有效，”查理特病理研究所的弗雷德里克·克劳斯陈教授说。
乳腺癌组织样本(苏木精和伊红染色)。Credit: Klauschen/ Charité“我们面临的问题如下:我们拥有良好且可靠的分子数据，我们拥有良好的组织学数据，具有高度的空间细节。我们还没有的是成像数据和高维分子数据之间的决定性联系，”柏林理工大学机器学习教授克劳斯-罗伯特·穆勒博士补充道。两位研究人员已经在柏林大学柏林学习与数据基础研究所的国家人工智能中心合作多年。
正是这种共生关系使新发表的方法成为可能。“我们的系统有助于检测显微图像中的病理变化。与此同时，我们能够提供精确的热图可视化，显示显微图像中的哪个像素对诊断算法有贡献，以及贡献程度，”穆勒教授解释道。研究团队还成功地显著进一步开发了这一过程:“我们的分析系统已经使用机器学习过程进行了训练，因此它还可以根据组织学图像预测各种分子特征，包括脱氧核糖核酸的状况、基因表达以及组织特定区域的蛋白质表达。
下一个议程是认证和进一步的临床验证，包括肿瘤常规诊断中的测试。然而，Klauschen教授已经确信这项研究的价值:“我们开发的方法将使组织病理学肿瘤诊断在未来变得更加精确、更加标准化和质量更好成为可能。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
