哈佛團隊開發類ChatGPT的AI病理模型,爲癌症診療提供新
我們能否擁有一款類似 ChatGPT 的 AI 模型,通過識別和分析病理圖像就可預測和診斷癌症呢?最近的一項科學進展有望讓這一願望成真。
美國哈佛大學助理教授餘坤興團隊與合作者基於機器學習,開發了一款臨牀組織病理學成像評估基礎(CHIEF,Clinical Histopathology Imaging Evaluation Foundation)模型。
通過訓練 1500 萬張未標記的病理圖像和 60530 張覆蓋 19 個解剖部位的全切片圖像(WSI,Whole Slide Image),該模型能夠對 19 種不同類型的癌症進行診斷,檢測準確率接近 94%。
此外,該技術還能夠對多種癌症患者的存活率進行預測,並精確識別腫瘤周圍的微環境特徵,這些特徵與患者對手術、化療、放療和免疫療法等常規治療方案的反應密切相關。
值得關注的是,該模型的性能超過了當下其他先進的深度學習方法高達 36.1%,爲癌症診斷和預後預測提供了一個高效且強大的工具。
審稿人對該研究評價稱:“該團隊通過將 CHIEF 應用於跨癌症類型的多種預測任務,展示了其通用性。即使在資料分佈改變和數據異質性的情況下,CHIEF 仍然具有優於傳統方法的性能。”
近日,相關論文以《一種用於腫瘤診斷和預後預測的病理基礎模型》(A pathology foundation model for cancer diagnosis and prognosis prediction)爲題發表在Nature[1]。
哈佛醫學院 Xiyue Wang 博士和 Junhan Zhao 研究員是共同第一作者,餘坤興助理教授和 Sen Yang 研究員擔任共同通訊作者。
可對癌症進行診斷和預測癌症患者存活率
癌症診斷是一個複雜且充滿挑戰的過程,它要求極高的精確度和對生命健康的深刻理解。
隨着 AI 技術的發展,其在醫學領域的應用也逐漸深入。但需要了解的是,AI 在癌症診斷中的應用與其他領域本質的不同在於,其對安全性具有極高的要求。
例如,ChatGPT 在回答與醫療無關的問題時,如果引用了錯誤或不實的信息,通常不會立即危害患者。
然而,在臨牀中使用 AI 模型進行癌症診斷,如果其中有任何不確定性和錯誤,都有可能帶來嚴重的後果。
爲確保模型兼具足夠的泛化性和高性能,研究人員通過儘可能多樣化的數據獲取與處理,並通過優化模型訓練來實現該目標。
在數據獲取和處理方面,爲提供詳細的組織病理學信息,研究人員首先使用 1500 萬張未被標記的圖像作爲初步數據集。
之後,進一步使用了 6 萬張 44TB 的高分辨率 WSI 進行預訓練。這些圖像涉及的組織包括:肺、乳腺、前列腺、結直腸、胃、食道、腎、腦、肝、甲狀腺、胰腺、宮頸、子宮、卵巢、睾丸、皮膚、軟組織、腎上腺和膀胱等。
然而,數據量增多並不意味着模型的性能和準確性會隨之提升。研究人員發現,在僅使用傳統的端到端機器學習模型的條件下,即便執行簡單任務也很容易出現性能下降的情況。
爲此,在端到端模型基礎上,他們加入了兩個輔助訓練模塊,來優化數據利用效率。
具體來說,其中一個模塊用於預測病理圖像中的重要區域,另一個模塊則針對病理圖像,運用對比學習方法增強模型對不同類型癌症的識別和判斷能力。
基於此,CHIEF 模型通過從病理圖像中提取微觀特徵,可實現癌細胞檢測、腫瘤起源識別、分子檔案表徵和預後預測等。
在模型有效性驗證方面,該課題組在收集的 19491 張全切片圖像中成功驗證了 CHIEF 模型的泛化能力,這些數據來自美國、中國、歐盟、韓國等 24 家國際醫院以及患者隊列的 32 個獨立數據集。
數據多樣性對於訓練出能夠泛化到不同病理類型的高性能模型至關重要。
餘坤興解釋說道:“通過這種方式,能夠讓 CHIEF 模型在面對不同醫院、不同設備甚至不同地區人羣的病理切片時,依然保持較高的準確性和可靠性,並可處理不同切片製備方法造成的領域偏移。”
從臨牀效果來看,該模型在能夠預測腫瘤的分子特徵的同時,還可對患者生存結果進行預測。CHIEF 通過解析病理圖像資料,可識別出與治療反應相關的基因突變。
餘坤興表示,CHIEF 可節省等待 DNA 測序和基因圖譜分析的時間,提前數週就能看到預測結果。儘管這些結果仍需後續驗證,但它爲處理腫瘤惡化迅速或需要特殊治療方案的緊急病例提供了新的診斷途徑。
此外,該模型能夠對癌症患者的存活率進行預測,並已在 17 個不同機構的患者樣本中進行測試和驗證。
通過 CHIEF 模型分析提取的微觀特徵,可對癌症患者處於高死亡風險和低死亡風險進行判別,從而輔助醫生了解患者的風險等級。
有望在近年內推出相關產品
將該成果轉化爲醫生和患者可用的工具,需完成一系列工作。例如,前瞻性臨牀試驗,通過美國食品藥品管理局(FDA,Food and Drug Administration)的核準等。
此外,還需要不斷地監控 AI 模型實際應用於患者後的安全性能,並及時處理其他問題。
目前,研究人員正在開展一項小規模的前瞻性臨牀試驗,旨在測試 CHIEF 模型在臨牀病理診斷中的應用效果。
該研究的重點在於病理影像,下個研究階段他們將模型與臨牀數據和其他類型的生物信息數據(比如分子生物學和基因組學等數據)結合,以提升預後預測的準確性和提升模型的性能。
“醫生在診斷過程中,除了病理影像還會利用分子標誌物和患者的具體情況等輔助信息作爲診斷依據,而這些數據可以通過 CHIEF 模型加上先進的處理技術進行綜合分析。”餘坤興說。
此外,研究人員還計劃將 CHIEF 模型應用於實驗性治療的預後評估,尤其是當前正在進行的臨牀試驗,包括免疫療法等新治療手段。
儘管一些新療法目前已獲得了相關認可,但它們只對特定患者羣體有效,僅少數患者能從中獲益。
該課題組希望未來能夠利用歷史數據建立模型,對患者對實驗性治療方法的反應進行預測。
具體來說,對於預後不良的患者,醫生可基於 CHIEF 模型的預測結果加強監測或在治療效果不佳時,考慮更換其他治療方案。
餘坤興說道:“這樣的延伸和改進將更精準地爲患者選擇最合適的治療方案,從而推動精準醫療和個性化治療的發展。”
目前,該實驗室的相關技術已獲得美國專利。CHIEF 源代碼也已開源,以便全球的研究人員能夠在該成果基礎上進一步迭代改進和優化。
據瞭解,該團隊目前正在與業界合作,希望將 CHIEF 模型發展爲便捷、用戶界面友好的臨牀輔助診斷工具,並在準備 FDA 的相關審批工作。
據該課題組預計,在疾病預測方面,CHIEF 將率先應用於常見的癌症,並提升其在諸如手術中的病理診斷、基因突變分析等方面的應用效果。隨着技術的發展和市場需求變化,將逐漸擴展至罕見癌症以及其他疾病領域。
文章轉載:[uq1.wnbest.net)
“我們計劃先針對特定疾病建立基於大模型的小型專用模型,使其成爲臨牀可用的穩健工具之一。而特殊模型有望提供更先進的性能和更高的可靠性,從而超越現有的方法。預計在未來兩到三年內,希望能夠推出獲得 FDA 批准的工具。”餘坤興表示。
文章轉載:[qa1.loveshanghai.net)
AI 模型會代替醫生嗎?
文章轉載:[mkhf1.zgbyby.net)
餘坤興在擁有醫師背景的同時,還在美國斯坦福大學獲得生物醫學信息學博士學位和輔修計算機科學博士學位。
文章轉載:[iuz1.fsisp.net)
目前,他擔任哈佛醫學院生物醫學信息學助理教授,兼任美國布萊根婦女醫院病理學助理教授和哈佛大學陳曾熙公共衛生學院流行病學講師。
文章轉載:[eer1.p9p9.net)
其課題組研究方向包括定量病理學、機器學習和轉化生物信息學,重點方向是 AI 輔助病理學診斷,尤其是促進癌症病理研究和臨牀實踐。
文章轉載:[aobm1.jhsemu.net)
現階段的癌症診斷仍然以專家判斷或多專家會診爲主,而精確診斷、癌症分類以及相關子類別分類等方面具有廣闊的發展前景。
文章轉載:[wy1.puggo.net)
此前,餘坤興帶領團隊開發了全自動算法大規模分析全切片組織病理學圖像,揭示腫瘤細胞微觀表型背後的分子機制,並確定了用於患者預後預測的細胞形態。
文章轉載:[sid1.aexl.net)
他表示,研究 AI 病理既有趣又充滿挑戰,該領域仍然存在大量尚未解決的問題,例如如何做出最準確的癌症分類、預測新療法的效果及副作用等。
文章轉載:[osvl1.jyax.net)
隨着新療法不斷涌現,該實驗室與病理臨牀醫師團隊也在積極開展合作,共同探索並提升 AI 模型的實用性,以確保其在實際應用中提供專業病理診斷的能力,尤其是對罕見癌症提供更準確的預測和指導,以實現個性化治療。
文章轉載:[kcff1.96boards.net)
如果未來技術進步到一定程度,當 AI 模型的性能和準確率達到或超過醫生水平,有可能替代醫生嗎?
文章轉載:[gm1.ejuka.net)
餘坤興表示:“AI 未必會替代醫生,但是會用 AI 的醫生會替代那些不會用 AI 的醫生。”
文章轉載:[cw1.hebseo.net)
參考資料:
文章轉載:[yg1.v-pin.net)
1.Wang, X., Zhao, J., Marostica, E. et al. A pathology foundation model for cancer diagnosis and prognosis prediction.Nature(2024). https://doi.org/10.1038/s41586-024-07894-z
文章轉載:[ui1.wm1000.net)
排版:劉雅坤
文章轉載:[qsc1.hikang.net)