回到网站

人工智能如何助力人類疾病研究?

來源:生物大百科

· 卓越事件

【1】Nature:診斷乳腺癌人工智能完勝人類專家!

近日,壹項刊登在國際雜誌Nature上的研究報告中,來自谷歌健康公司的科學家們通過研究開發出了壹種新型的計算機程序,其能通過常規掃描,以比人類專家更高的準確率對乳腺癌進行診斷和檢測。乳腺癌是女性群體中最常見的壹種癌癥類型,僅去年壹年就有超過200萬的新確診病例,在沒有明顯癥狀的患者群體中,進行定期篩查對於發現疾病的早期癥狀至關重要;在英國,50歲以上的女性會被建議每三年進行壹次乳腺X光檢查,同時檢查結果由兩位獨立的專家進行分析。

 

但對掃描結果的解讀往往留有出錯的余地,而且在所有乳腺X光檢查中,有壹小部分結果會被出現假陽性(將健康人群誤診為患有癌癥)或假陰性(將疾病陽性誤診為陰性)。這項研究中,研究人員通過研究,成功利用人工智能模型對英國和美國的數千名女性進行乳腺癌的掃描檢測;這些圖像在現實生活中已經被醫生分析檢查過了,但與臨床環境不同的是,機器(人工智能算法)並沒有依據病人的病史來進行疾病的診斷。

【2】ERMD:突破!科學家有望開發出壹種新型的乳腺癌人工智能診斷工具

日前,壹項刊登在國際雜誌Expert Review of Molecular Diagnostics上的研究報告中,來自蘭卡斯特大學等機構的科學家們通過研究開發出了壹種新方法,其或能識別出不同類型乳腺癌的特殊化學“指紋”,這些指紋就能被用來開發壹種AI軟件,從而制造出壹種新型工具快速且準確地對乳腺癌進行診斷。

文章中,研究人員利用壹種名為“拉曼光譜”的專門化學分析技術對活組織進行分析,識別出了多種類型乳腺癌的分子結構特性以及每壹種癌癥彼此之間的差異。拉曼光譜分析能提供細胞的實時信息,並用來檢測細胞的行為、擴散以及在機體中何時出現等。當識別出乳腺癌細胞的化學指紋並觀察到其改變的方式後,研究人員就能利用這些信息來訓練復雜的機器學習算法識別四種不同的癌癥亞型。

【3】Nature子刊:人工智能助力白血病的診斷

每天,醫學實驗室或診所等機構都要對數百萬個單細胞的診斷工作。大部分重復性工作仍由受過訓練的細胞學家手動完成,他們通過檢查染色塗片中的細胞並將其分為大約15個不同類別。為了順利完成上述工作,需要具備專業知識且訓練有素的細胞學家。

為了提高細胞分類以及檢測效率,Helmholtz Zentrum München和慕尼黑LMU大學醫院的壹組研究人員“訓練”了壹個具有近20,000個單細胞圖像的深層神經元網絡。在這項研究中,來自Helmholtz ZentrumMünchen的計算生物學研究所的Carsten Marr博士與Christian Matek博士以及來自LMU慕尼黑大學醫院的med Karsten Spiekermann和Simone Schwarz教授對 100例患有侵襲性血液病AML的患者和100例對照誌願者的血液塗片中提取了相關的圖像並且進行分析。通過比較其與人類專家的檢測準確性,從而評估AI驅動的檢測方法的效果。結果表明,由AI驅動的解決方案能夠取得與訓練有素的細胞學家壹樣好的成績。

【4】J Biomed Inform:利用人工智能尋找心臟疾病的跡象

近日,壹項刊登在Journal of Biomedical Informatics雜誌上的研究報告中,來自國外的研究人員利用機器學習處理未標記的電子健康記錄(electronic health record ,EHR)數據,揭示了心血管疾病(cardiovascular disease,CVD)的發生過程。

這項研究基於自動化的患者表型(如果眼睛的顏色是壹種特征,那麽藍色眼睛就是壹種表型)和豐富的縱向數據。Zhaojuan博士、weiqi博士和他的同事收集了12380例至少在CVD診斷前10年被識別的患者記錄。自動掃描在該數據集中發現了1068種不同的患者表型。

【5】Genome Med:人工智能助力克羅恩氏病的治療

在最近的研究中,科學家開發了壹種計算方法,可以幫助增進對克羅恩病(Crohn Disease,壹種引起消化道炎癥的疾病)的理解和治療。由羅格斯(Rutgers)領導的這項研究發表在Genome Medicine雜誌上。該研究利用人工智能檢查了111人中克羅恩氏病的遺傳特征。該方法揭示了以前未發現的與疾病相關的基因,並準確預測了其他數千人是否患有該疾病。

研究者Yana Bromberg表示我們的方法不是臨床診斷工具,但是它會產生有趣的觀察結果。進壹步的實驗工作可能揭示某些克羅恩氏病背後的分子原因,並有可能促進對該病的更好治療。

【6】Nat Machine Intelligence: 人工智能助力生物醫學成像

根據最近壹項研究,蘇黎世聯邦理工學院和蘇黎世大學的科學家成功利用機器學習方法來改善光聲成像。這種相對年輕的醫學成像技術可用於諸如可視化血管,研究腦活動,表征皮膚病變和診斷乳腺癌等方向。然而,渲染圖像的質量很大程度上取決於設備使用的傳感器的數量和分布:傳感器的數量越多,圖像質量就越好。 對此,研究人員開發的新方法可以在不放棄最終圖像質量的情況下大幅減少傳感器的數量,從而可以降低設備成本,提高成像速度並改善診斷結果。

光聲學在某些方面與超聲成像相似。在後者中,探頭將超聲波發送到體內,並被組織反射。探頭中的傳感器檢測返回的聲波,隨後生成人體內部的圖像。在光聲成像中,取而代之的是將非常短的激光脈沖發送到組織中,然後被吸收並轉換成超聲波。最終,超聲波被檢測並轉換為圖像。

【7】JAMA Network Open:突破!新型人工智能系統或能優於臨床醫生對乳腺癌進行準確診斷!

近日,壹項刊登在國際雜誌JAMA Network Open上的研究報告中,來自加利福尼亞大學的科學家們通過研究開發了壹種人工智能系統,其或能夠幫助病理學家更準確地讀取活組織檢查結果及更好地檢測並診斷乳腺癌。這種新型系統能幫助解釋醫學成像結果從而用於診斷乳腺癌(人眼無法有效區分),其幾乎能夠像壹名經驗豐富的病理學家壹樣對乳腺癌進行準確診斷。

研究者Joann Elmore表示,從壹開始就得到正確的診斷結果是非常重要的,這樣才能夠幫助我們對患者進行最有效地診斷和治療;2015年研究人員發現,病理學家對乳腺癌活組織檢查結果的解釋存在很多不壹致的想法,而且每年有數百萬女性都會接受乳腺活組織檢查手術;早期研究結果表明,每6名原位導管癌(壹種非侵入性的乳腺癌)的女性中就有1名會出現錯誤診斷,而且大約壹半的乳腺異型性活組織檢查病例(與高風險乳腺癌相關的異常細胞)都會被給出錯誤的診斷。

【8】Nature:利用人工智能預測急性腎損傷

在壹項新的研究中,美國和英國的研究人員將人工智能(AI)應用於解決檢測住院患者急性腎損傷(acute kidney injury, AKI)的問題。相關研究結果近期發表在Nature期刊上,論文標題為“A clinically applicable approach to continuous prediction of future acute kidney injury”。在這篇論文中,他們描述了他們的深度學習系統及其表現如何。

急性腎損傷(AKI)可導致腎臟惡化。在嚴重的情況下,它可能導致移植需求或死亡。急性腎損傷通常發生正在醫院中接受治療的患者身上,並且通常是身體快速下滑的跡象,需要醫院工作人員采取緊急措施以阻止進壹步的不可逆腎損傷。在這項新的研究中,這些研究人員想知道是否有可能使用人工智比在醫院中通常發生的時間更早地檢測急性腎損傷的癥狀,從而為患者提供更好的結果。

【9】Nat Med:利用人工智能準確地診斷肺癌,準確率高達94%

在壹項新的研究中,軟件工程師和臨床研究人員之間的合作產生了壹個人工智能程序,該程序使用圖像來預測哪些人將患上肺癌,準確率為94%。這個研究團隊發現這個算法與放射科醫師基於同壹個人的多次計算機斷層掃描(CT)來篩查癌癥壹樣準確,並且當它僅能從壹個人那裏獲得壹次掃描時,它的表現優於醫生,相關研究結果發表在Nature Medicine期刊上。

美國國家衛生研究院(NIH)之前針對吸煙者進行肺癌篩查的壹項研究已發現,通過CT掃描檢測這種疾病的早期癥狀可將死亡率降低大約20%,但是活組織檢查等程序導致壹些CT掃描出現假陽性的人死亡(NEJM, 2011, doi:10.1056/NEJMoa1102873)。為了了解人工智能(AI)是否可以增強放射科醫師在分析CT掃描時的準確性,該研究團隊將早期NIH研究中的數千次CT掃描輸入到谷歌的計算機中,同時輸入的還有患者的後期診斷結果。

在經過培訓之後,該研究團隊測試了這種算法基於新的CT掃描檢測癌癥的準確性,並將它與六位放射科醫師進行了比較。隨著時間的推移,當對壹個人進行多次掃描時,這種算法的表現與放射科醫師壹樣好,但是當僅有壹張掃描圖像可用時,相比於臨床醫師,它產生的假陰性減少了5%,假陽性減少了11%。

【10】Nat Commun:人工智能促进阿尔兹海默症的研究

近日,來自加州大學戴維斯分校和加州大學舊金山分校的研究人員已經找到了壹種方法來訓練計算機精確檢測人類大腦組織中阿爾茨海默病的生物標誌物。澱粉樣斑塊是阿爾茨海默病患者大腦中蛋白質碎片的團塊,可破壞神經細胞的連接。加州大學科學家團隊開發的機器學習工具可以“看到”腦組織樣本是否有壹種類型的澱粉樣蛋白斑塊,並且很快就能完成。

 

相關研究結果發表在Nature Communications上,表明機器學習可以增強專家神經病理學家的專業知識和分析。該工具允許他們分析數千倍的數據,並提出即使是訓練有素的人類專家的有限數據處理能力也無法實現的新問題。

所有文章
×

快要完成了!

我们刚刚发给你了一封邮件。 请点击邮件中的链接确认你的订阅。

好的