8620
0
发布于2021年7月23日上午7点
人工智能工具和深度学习模型是癌症治疗的有力工具。它们可用于分析肿瘤活检样本的数字图像，帮助医生快速分类癌症类型，预测预后并指导患者的治疗过程。然而，除非这些算法经过适当的校准，否则它们有时会做出不准确或有偏见的预测。
由芝加哥大学研究人员领导的一项新研究表明，在大量癌症遗传和组织组织学数据上训练的深度学习模型可以轻松识别提交图像的机构。这些模型使用机器学习方法来“自学”如何识别某些癌症特征，最终使用提交站点作为预测患者结果的捷径，将他们与来自同一位置的其他患者集中在一起，而不是依赖于单个患者的生物学特征。这反过来可能导致种族或少数民族患者的偏见和错失治疗机会，这些患者可能更有可能在某些医疗中心就诊，并且已经很难获得护理。
“我们发现当前深度学习模型开发方法中存在一个明显的漏洞，这使得某些地区和患者群体更容易被纳入不准确的算法预测中，”芝加哥大学医学助理教授、联合资深作者亚历山大·皮尔森(Alexander Pearson)医学博士说。这项研究发表于7月20日自然通讯．
癌症患者治疗的第一步是进行活组织检查，即肿瘤的小组织样本。将非常薄的肿瘤切片贴在玻片上，用彩色染料对玻片进行染色，由病理学家检查以作出诊断。然后可以使用扫描显微镜创建用于存储和远程分析的数字图像。虽然这些步骤在病理实验室中大多是标准的，但染色颜色或数量、组织处理技术和成像设备的微小变化可以在每张图像上创建独特的签名，如标签。这些特定位置的特征肉眼是看不见的，但很容易被强大的深度学习算法检测到。
这些算法有可能成为一种有价值的工具，让医生能够快速分析肿瘤并指导治疗方案，但这种偏差的引入意味着模型并不总是基于它在图像中看到的生物特征进行分析，而是基于不同提交位点之间的差异产生的图像伪影。
Pearson和他的同事研究了深度学习模型的性能，这些模型是用来自癌症基因组图谱的数据训练的，癌症基因组图谱是最大的癌症遗传和组织图像数据存储库之一。这些模型可以从组织组织学中预测生存率、基因表达模式、突变等，但这些患者特征的出现频率因提交图像的机构而有很大差异，而且模型通常默认使用“最简单”的方法来区分样本——在这种情况下，就是提交部位。
例如，如果医院A主要为拥有更多资源和更好的护理途径的富裕患者提供服务，那么该医院提交的图像通常会显示更好的患者结果和生存率。如果B医院服务的是难以获得高质量医疗服务的弱势群体，那么该网站提交的图像通常会预测更糟糕的结果。
研究小组发现，一旦模型确定是哪个机构提交了图像，它们就倾向于用它来代替图像的其他特征，包括血统。换句话说,如果一个幻灯片的染色或成像技术看起来被提交的医院,模型预测更好的结果,而他们会预测更糟的结果如果它看起来像一个图像从医院B。相反,如果所有的病人在医院B生物学特性基于遗传学表明一个更糟糕的预后,算法将把更糟糕的结果医院B的染色模式相反的事情它看到的组织。
皮尔逊说:“设计算法是为了找到一个信号来区分不同的图像，它通过识别地点来懒惰地做到这一点。”“我们实际上想要了解肿瘤内部的哪种生物学更有可能导致对治疗的耐药性或早期转移性疾病，所以我们必须从真正的生物学信号中分离出特定部位的数字组织学特征。”
避免这种偏差的关键是仔细考虑用于训练模型的数据。开发人员可以确保不同的疾病结果在训练数据中使用的所有站点上均匀分布，或者在结果分布不平等的情况下，在训练或测试模型时隔离某个站点。这一结果将产生更准确的工具，可以为医生提供他们所需的信息，以快速诊断癌症患者并为其制定治疗方案。
皮尔森说:“人工智能的前景是能够为更多人带来准确、快速的精准健康。”“然而，为了满足我们社会中被剥夺权利成员的需求，我们必须能够开发出能干的算法，为每个人做出相关的预测。”
-
本文由芝加哥大学医学院的马特·伍德撰写。
就像你在网上读到的任何东西一样，这篇文章不应该被理解为医学建议;在改变你的健康计划之前，请咨询你的医生或初级保健提供者。
内容可以根据风格和长度进行编辑。
提供的资料:
