為什麼使用人工智慧診斷癌症如此困難

人工智慧在醫學上的應用

理論上，人工智慧應該能很好地幫助我們。梅約診所 (Mayo Clinic) 的病理學家兼數位病理學平台醫療主任安德魯·諾根 (Andrew Norgan) 說：「我們的工作是識別模式。我們查看切片，收集已被證明重要的信息。」

視覺分析的進步

自從大約15年前，第一批影像識別模型開始流行以來，人工智慧在視覺分析方面變得相當出色。雖然沒有任何模型是完美的，但你可以想像，未來某個強大的算法可能會發現人類病理學家錯過的東西，或者至少能加快診斷的過程。我們開始看到許多新的努力來建立這樣的模型—僅在去年就有至少七個嘗試—但它們仍然處於實驗階段。要讓這些模型在現實世界中好用，需要什麼呢？

最新模型的挑戰

本月早些時候，AI健康公司Aignostics與梅約診所合作，發表了建立這樣一個模型的最新努力，名為Atlas。這篇論文尚未經過同行評審，但揭示了將這種工具帶入臨床環境的挑戰。

Atlas模型的表現

Atlas模型是基於來自490,000個案例的1.2百萬個組織樣本進行訓練的。它的準確性與六個其他領先的AI病理模型進行了測試。這些模型在共享測試中競爭，例如對乳腺癌影像的分類或腫瘤的分級，模型的預測與人類病理學家給出的正確答案進行比較。Atlas在九個測試中贏得了六個測試的勝利。在對癌性結腸直腸組織進行分類的任務中，它的準確率達到了97.1%，與人類病理學家的結論一致。然而，在另一個任務中—對前列腺癌活檢的腫瘤進行分類—Atlas的得分僅為70.5%，卻超過了其他模型的高分。它在九個基準測試中的平均表現顯示，與人類專家的答案一致的比例為84.6%。

模型的臨床實用性

那麼，這意味著什麼呢？了解癌細胞在組織中發生什麼的最佳方法是讓病理學家檢查樣本，因此AI模型的表現是以此為基準的。最佳模型在某些檢測任務上接近人類，但在許多其他任務上仍然落後。那么，模型要多好才能在臨床上有用呢？

專家的看法

普羅維登斯基因組學 (Providence Genomics) 的首席醫療官卡洛·比富爾科 (Carlo Bifulco) 說：「90%可能還不夠好。你需要更好。」比富爾科表示，儘管AI模型的得分不完美，但在短期內仍然可以有用，並可能幫助病理學家加快工作速度，更快地做出診斷。

挑戰與障礙

那麼，什麼障礙妨礙了更好的表現呢？第一個問題是訓練數據。

諾根說：「美國不到10%的病理實踐是數位化的。」這意味著組織樣本被放置在切片上，並在顯微鏡下進行分析，然後存儲在龐大的登記冊中，卻從未被數位化記錄。雖然歐洲的實踐往往更數位化，並且正在努力創建共享的組織樣本數據集以供AI模型訓練，但仍然沒有很多數據可供使用。