Dartmouth's Norris Cotton癌症中心和Dartmouth University合作，使用深度學習演算法自動分類載玻片上的肺腺癌（Adenocarcinoma）組織切片，藉由辨識肺腺癌類型以利預後（對疾病未來進展和結果的預測參考），速度不只更快，其精確度更與病理學家相同。
 

肺腺癌組織型態的分類，對於針對患者腫瘤等級以及後續治療至關重要，但是由於肺癌有多種型態，再加上主觀的判斷標準，實際上難以準確的評估肺癌狀況。肺腺癌組織亞型有五種，不同的組織形態影響肺腺癌預後，因次辨識組織型態會進一步影響病患存活率，研究團隊指出，像是知道癌症組織只有純鱗屑狀型態，醫生能更精準的掌握第一期肺腺癌患者的後續發展，而當切片中多為乳頭狀或是實狀組織，則病患存活率低需要輔助化療。
 

但要從組織中辨識出這些訊息並不容易，80％的肺腺癌病例混有多種組織類型，而研究團隊表示，用於分類的定性標準，會使病理學家的觀察產生差異，研究也證實，不同肺部狀態評估，對於肺癌組織型態的判讀有很大的影響，病理學家難以分辨切片中主要的肺癌組織類型，但即便是微小的判讀差異，都可能對醫生後續判斷產生嚴重地影響。
 

而這項研究是醫學上首次使用深度學習技術，對肺腺癌手術切除的組織進行亞型的分類。研究團隊使用了Dartmouth's Norris Cotton癌症中心收集的422張幻燈片影像，這些影像被隨機分類用於訓練、開發和測試，最後使用獨立的143張圖像，評估訓練過的模型與三位病理學家的辨識結果，評估的結果顯示，該模型的所有評估指標，都與病理學家的的評估結果一致，落在95％信任區間中。
 

研究團隊表示，由於模型能夠快速的辨識出結果，因此能夠被整合到訊息管理系統中，不只可以自動補充幻燈片的癌症亞型診斷，也能對較複雜的案例進行第二次判讀。該系統將作為一個自動化平臺，用於確保肺腺癌組織切片解讀的品質，這篇論文在Nature的Scientific Reports上發表，程式碼已在GitHub上開源。

報導截取自 iThone ：https://www.ithome.com.tw/news/130050