哈佛推出全新類ChatGPT癌癥診斷AI，登上Nature！準(zhǔn)確率高達96%

---

  新智元報道  

編輯：靜音

【新智元導(dǎo)讀】能夠執(zhí)行多種任務(wù)，識別19種癌癥類型，預(yù)測患者生存率……哈佛醫(yī)學(xué)院研究人員提出CHIEF，一種多功能AI癌癥診斷模型，表現(xiàn)出類似于ChatGPT的靈活性，遠超其他現(xiàn)有的癌癥診斷模型。

近日，來自哈佛醫(yī)學(xué)院等機構(gòu)的科學(xué)家們開發(fā)了一種名為CHIEF（Clinical Histopathology Imaging Evaluation Foundation，臨床組織病理學(xué)成像評估基礎(chǔ)）的多功能AI癌癥診斷模型。

并于9月4日登上「Nature」。

論文地址：https://www.nature.com/articles/s41586-024-07894-z

值得一提的是，盡管最近出現(xiàn)了其他用于醫(yī)學(xué)診斷的病理圖像基礎(chǔ)AI模型，但CHIEF是第一個能夠預(yù)測患者預(yù)后并在多個國際患者群體中驗證的模型。

工作原理

當(dāng)前，大多數(shù)AI癌癥診斷系統(tǒng)通常被訓(xùn)練來執(zhí)行特定任務(wù)。例如，檢測癌癥的存在，或分析腫瘤的基因特征，且通常僅適用于少數(shù)幾種癌癥類型。

相比之下，全新的CHIEF模型則具有類似于ChatGPT的靈活性——不僅能夠執(zhí)行多種任務(wù)，而且還能識別不同癌癥類型需要特別關(guān)注的區(qū)域。

通過讀取腫瘤組織的數(shù)字切片，它可以檢測癌細胞并根據(jù)圖像中觀察到的細胞特征分析腫瘤的基因特征。

此外，還可以預(yù)測多種癌癥類型的患者生存率，并精確定位腫瘤周圍組織的特征，即腫瘤微環(huán)境。這些特征與患者對手術(shù)、化療、放療和免疫治療等標(biāo)準(zhǔn)治療的反應(yīng)有關(guān)。

更進一步的，CHIEF還具有生成新見解的潛力——它發(fā)現(xiàn)了此前未被認為與患者生存相關(guān)的特定腫瘤特征。

研究團隊指出，這些發(fā)現(xiàn)進一步證明了AI可以幫助臨床醫(yī)生高效、準(zhǔn)確評估癌癥，包括識別可能對標(biāo)準(zhǔn)癌癥療法反應(yīng)不佳的患者。

論文主要作者，哈佛醫(yī)學(xué)院Blavatnik研究所生物醫(yī)學(xué)信息學(xué)助理教授Kun-Hsing Yu

模型訓(xùn)練與表現(xiàn)

首先，CHIEF在1500萬張未標(biāo)記的圖像上進行訓(xùn)練，這些圖像被分成多個模型可能需要特別關(guān)注的部分。

然后，CHIEF在6萬張全切片圖像上進行了訓(xùn)練，其中包括肺、乳腺、前列腺、結(jié)腸、胃、食管、腎臟、腦、肝、甲狀腺、胰腺、宮頸、子宮、卵巢、睪丸、皮膚、軟組織、腎上腺和膀胱等組織的全切片圖像。

這種訓(xùn)練方法，使得模型不僅關(guān)注圖像的局部，還能夠結(jié)合整個圖像，將某一局部的特定變化與整體聯(lián)系起來。從而，CHIEF在進行癌癥分析時能夠考慮更廣泛的背景信息，更全面地解讀圖像，而不是僅僅專注于某個特定區(qū)域。

訓(xùn)練完成后，研究團隊在19400多張全切片圖像上測試了CHIEF的性能。這19400多張全切片圖像來自全球24家醫(yī)院和患者群體中收集的32個獨立數(shù)據(jù)集。

總體上，CHIEF在以下任務(wù)中比其他最先進的AI方法高出36%：癌細胞檢測、腫瘤起源識別、預(yù)測患者結(jié)果、以及識別與患者治療反應(yīng)相關(guān)的基因和DNA模式。

無論腫瘤細胞是通過活檢還是手術(shù)切除獲得，CHIEF的表現(xiàn)都同樣出色。無論使用何種技術(shù)對癌細胞樣本進行數(shù)字化處理，它的準(zhǔn)確性也同樣高。

研究人員表示，這種適應(yīng)性使CHIEF能夠在不同的臨床環(huán)境中使用，而當(dāng)前大部分AI癌癥診斷模型通常只能在通過特定技術(shù)獲取的組織中表現(xiàn)良好。

CHIEF的4種應(yīng)用

癌癥檢測

CHIEF在癌癥檢測中的準(zhǔn)確率達到了近94%，測試涵蓋了15個數(shù)據(jù)集，其中包含11種癌癥類型。

在另一個涵蓋5個活檢數(shù)據(jù)集的測試中，CHIEF達到了96%的準(zhǔn)確率，其中包括食道、胃、結(jié)腸和前列腺在內(nèi)的多種癌癥類型檢測。

當(dāng)研究人員用數(shù)據(jù)集之外的手術(shù)切除腫瘤切片來測試CHIEF時，模型的準(zhǔn)確率超過了90%。

模型注意力得分的可視化顯示，CHIEF準(zhǔn)確識別了黑色素瘤、肺癌和腎癌的癌變區(qū)域

分析腫瘤的基因特征

腫瘤的基因構(gòu)成包含了未來腫瘤發(fā)展和最佳治療方案的關(guān)鍵線索。為了獲取這些信息，腫瘤學(xué)家通常會對腫瘤樣本進行DNA測序。

但由于將樣本送往專業(yè)的DNA測序?qū)嶒炇倚枰欢ǖ某杀竞蜁r間，世界各地普遍沒有進行常規(guī)的詳細的基因組分析。即使是在資源充足的地區(qū)，這一過程也可能需要數(shù)周時間。

不過，這是AI可以填補的空白。

研究人員稱，對于圖像中特定的基因組異常，識別其細胞模式，可能提供一種快速且經(jīng)濟的替代基因組測序的方案。

CHIEF在預(yù)測腫瘤的基因變異方面優(yōu)于現(xiàn)有的AI方法。這種新的AI方法成功識別了與癌癥生長和抑制相關(guān)的多個重要基因特征，并預(yù)測了腫瘤在各種標(biāo)準(zhǔn)癌癥療法過程中的關(guān)鍵基因突變。

CHIEF還檢測到了特定的DNA模式，這些模式與結(jié)腸腫瘤對一種稱為免疫檢查點抑制的免疫療法的反應(yīng)效果相關(guān)。

在觀察全組織圖像時，CHIEF識別出54個常見突變癌癥基因中的突變，總體準(zhǔn)確率超過70%，優(yōu)于當(dāng)前用于基因組癌癥預(yù)測的最先進AI方法。

研究團隊使用CHIEF模型來預(yù)測特定基因突變，這些突變與FDA（美國食品藥品監(jiān)督管理局）批準(zhǔn)的靶向治療方法的效果有關(guān)。研究涉及的18個基因分布在人體的15個不同解剖部位。

CHIEF在多種癌癥類型中都達到了高準(zhǔn)確率。在檢測一種名為彌漫性大B細胞淋巴瘤的血液癌癥中的EZH2基因突變時，CHIEF達到了96%的準(zhǔn)確率；在檢測甲狀腺癌中的BRAF基因突變時，CHIEF的準(zhǔn)確率達到了89%；在檢測頭頸部癌癥中的NTRK1基因突變時，準(zhǔn)確率為91%。

CHIEF 在預(yù)測癌癥類型的組織病理學(xué)圖像中的基因突變狀態(tài)方面取得了很高的成績

預(yù)測患者生存率

基于初次診斷時獲得的腫瘤組織病理圖像，CHIEF能夠成功預(yù)測患者的生存期。

總體上，CHIEF預(yù)測高風(fēng)險和低風(fēng)險死亡率的能力在來自17家不同機構(gòu)的患者樣本中得到了測試和驗證。

在所有研究的癌癥類型和患者群體中，CHIEF能夠區(qū)分長期生存的患者和短期生存的患者。CHIEF的表現(xiàn)比其他模型好8%。

在患有晚期癌癥的患者中，CHIEF的表現(xiàn)比其他AI模型高出10%。

識別不同癌癥類型需要特別關(guān)注的區(qū)域

該模型在圖像上識別出與腫瘤侵襲性和患者生存率相關(guān)的明顯模式。

為了可視化特定的區(qū)域，CHIEF在圖像上生成了熱圖。當(dāng)人類病理學(xué)家分析這些由AI生成的熱點時，他們發(fā)現(xiàn)了一些反映癌細胞與周圍組織相互作用的有趣信號。

模型注意力的可視化顯示了肺癌患者生存預(yù)測中的重要區(qū)域

其中一個特征是，在長期生存者的腫瘤區(qū)域中，免疫細胞的數(shù)量比短期生存者更多。Yu指出，這一發(fā)現(xiàn)有其合理性，因為更多的免疫細胞可能表明免疫系統(tǒng)已被激活來攻擊腫瘤。

在觀察短期生存者的腫瘤時，CHIEF識別出了一些需要關(guān)注的區(qū)域。這些區(qū)域的特征包括各種細胞成分的異常大小比例、細胞核上更多的非典型特征、細胞之間較弱的連接，以及腫瘤周圍區(qū)域中較少的結(jié)締組織。

這些腫瘤周圍還有更多的死亡細胞。例如，在乳腺腫瘤中，CHIEF指出組織內(nèi)的壞死（或細胞死亡）是一個需要關(guān)注的區(qū)域。另一方面，生存率較高的乳腺癌患者腫瘤周圍，更有可能保持類似于健康組織的細胞結(jié)構(gòu)。

研究團隊指出，與生存率相關(guān)的視覺特征和需要關(guān)注的區(qū)域因癌癥類型而異。

參考資料：

https://scitechdaily.com/96-accuracy-harvard-scientists-unveil-revolutionary-chatgpt-like-ai-for-cancer-diagnosis/

https://hms.harvard.edu/news/new-artificial-intelligence-tool-cancer