科学家有望利用人工智能技术来诊断人类结直肠癌

机器辅助的病理性识别一直专注于监督式学习（SL，Supervised Learning），而SL受到了显著的注释瓶颈的影响。近日，一篇发表在国际杂志Nature Communications上题为“Accurate recognition of colorectal cancer with semi-supervised deep learning on pathological images"的研究报告中，来自中国中南大学等机构的科学家门通过研究发现，人工智能技术（AI）或能从组织扫描结果中准确检测并诊断结直肠癌，其效果要比病理学家好很多。相关研究结果或有望帮助研究人员检测是否AI能作为一种有力的工具来帮助病理学家紧跟对其服务不断增长的需求。

结肠类癌的组织病理学图像。

病理学家会定期评估和标记数千张组织病理学图片从而帮助判断某个个体是否患有癌症，但其平均的工作量就会大幅增加，有时可能也会因为过于疲惫而造成意外的误诊。研究者Hong-Wen Deng教授说道，尽管进行的很多工作都是重复性的，但大多数的病理学家都很繁忙，因为其工作需求很大，而全球缺乏大量合格的病理学家，尤其是在发展中国家，这种情况尤为严重。本文研究就为解决目前的现状带来了革命性的变革，研究人员成功利用人工智能技术以一种成本效益的方式识别并诊断了结直肠癌，这或许最终有望改善病理学家的工作效率并减少其工作量。

这篇研究报告中，研究人员从中国、德国和美国的8803名受试者和13个独立的癌症研究中心收集了超过1.3万张结直肠癌图像，利用这些由技术人员随机选择的图像，研究人员构建了一种由机器辅助的病理识别程序，这或许就能使计算机识别出揭示结直肠癌的图像，结直肠癌是引发欧洲和美国人群因癌症死亡的最常见的原因。研究者Deng说道，这项研究的挑战在于复杂的大图像尺寸、复杂的形状、纹理和核染色的组织学改变；但最终研究结果表明，当研究者利用人工智能技术诊断结直肠癌时，其所表现出的性能堪比真正的病理学家，甚至在很多情况下要比真正的病理学家表现更好。

受试者工作特征（ROC）曲线下的面积（AUC）就是研究者用来确定本文研究是否成功的性能测量工具；当将计算机的结果与经验丰富的病理学家人工解释的数据进行比较厚，病理学家手动识别结直肠癌的平均得分为0.969分，而机器辅助的人工智能计算机程序的平均得分则为0.98分，即使并不是非常准确，但其之间的得分也是相当的。利用人工智能技术来识别癌症是近年来应运而生的一种新技术，目前其还并未被很多研究人员所广泛接受。研究者Deng希望本文研究或能让更多的病理学家们在未来诊断疾病时使用这种预筛选技术来帮其进行快速诊断。

尽管这项研究目前仍处于研究阶段，而且还并未商业化，但研究者相信通过更多科学家的合作并在更多的临床环境中进行测试和实施，其未来应用于临床的希望非常之大；随着人工智能技术的进一步发展，未来其将会被用于诊断多种不同的人类癌症；而且使用人工智能技术诊断癌症还能加速整个诊断过程，并能为患者和临床医生节省大量时间，同时还能让患者更快地接受治疗从而及时挽救生命。

综上，本文研究结果表明，半监督学习(Semi-supervised Learning)技术或能明显减少注释，从而或能潜在有效地帮助建立专家级别的病理人工智能平台，来帮助诊断人类癌症。

本文所用图片及内容均来源于网络收集整理，仅供学习交流，版权归原作者所有，并不代表我站观点。本站将不承 担任何法律责任，如果有侵犯到您的权利，请及时联系我们删除。

来源：生物谷

科研实验中，细胞的体外培养一直是一个重要环节。细胞要养好，就要用好血清，如Ausbian®特级胎牛血清，它适合各种细胞培养，尤其适合难养细胞，如：干细胞、肝细胞，神经细胞，原代培养、细胞融合、转染细胞等。

Ausbian®特级胎牛血清所有血清出厂前，均经过严格质控，每个批次附有详细完整的《检测报告》，包括：品名，货号，批号，血源地，生产日期，保质期，pH值、渗透压、血红蛋白、总蛋白、球蛋白、IgG、内毒素、无菌检查（细菌、真菌、支原体）、病毒检查（如BVD、牛腺病毒、细胞病变效应等）、促细胞生长能力、细胞毒性、BVD-1/2抗体检查等。

实验人对于新批次血清，应认真审阅《检测报告》，做好试用前筛选第一步。（如何看懂《检测报告》，可登陆“缔一生物"网站，留言技术部，得到免费帮助。）

它在国内市场经历十几年，被众多科研工业客户反复选择，也是细胞典藏等重大项目十几年的供应品牌