深度学习在癌症诊断的应用1.神经条件随机场-肿瘤识别2018年，百度研究院发表论文提出一种AI算法，名为“神经条件随机场”，将肿瘤识别定位准确率大幅提高。

在公开数据集Camelyon16大赛测试集上，该算法的肿瘤定位FROC分数达到0.8096，超过专业病理医生水平以及由哈佛和麻省理工学院联合团队所保持的最好成绩。

除了病理学切片分析方面的研究，百度还在积极探索AI在眼底影像、放射影像、以及智能问诊等其他一些医疗领域的应用。

一直以来，病理切片分析都是癌症诊断中的黄金标准。

详尽阅读病理切片、不漏掉任何一处具有临床价值的病灶，对于肿瘤区域的准确判断乃至治疗方案的确定十分重要，尤其微转移肿瘤细胞群的发现，会极大影响病人的治疗方案和预后。

在实际阅片中，原始病理切片的图片尺寸庞大，肿瘤细胞群的尺寸却十分微小。

因此即便对于经验丰富的病理医生，阅片也是一项复杂、耗时的任务，如同大海捞针（如图1所示）。

图1为了提高阅片效率，研究人员提出了许多深度学习算法来预测肿瘤区域。

然而，绝大部分算法只能将每张切片剪切成大量小尺寸图块，再预测单张图块是否为肿瘤区域。

但仅凭单张图块而不知周边区域的情况，也影响了预测准确度，由此产生的假阳性十分显著。

百度研究院提出一种全新的深度学习算法，一次性输入一组3x3的图块，联合预测每张图块是否有肿瘤区域。

该算法可通过一种名为“条件随机场”的概率图模型来模拟图块之间的空间关系，显著提升了肿瘤区域预测的准确度，算法预测的肿瘤区域也更加平滑。

对比之前的算法，“神经条件随机场”算法除了真实肿瘤区域外，几乎没有引入任何其他假阳性区域。

图2在Camelyon16大赛的测试集上，该算法获得了高达0.8096的肿瘤定位FROC 分数，不仅显著超越了专业的病理医生水平(0.7240)，也超过了之前大赛的最好成绩(0.8074)。

同时，百度研究院也在Github上开源了整套算法代码，以便其他研究人员在此基础上进行更深入的研究，促进人工智能在医学图像分析领域取得更加长足的发展。

对于提高病理切片检测效率及准确性、促进癌症诊断和治疗的发展，这种新的算法拥有巨大潜力。

它让病理学家能更聚焦由算法突出的肿瘤区域，而不必搜索整个切片。

当然，对算法的全面评估，也需要更大的数据集来做进一步临床研究。

2.深度学习识别血液中的癌细胞加州大学洛杉矶分校和南特工厂的研究人员开发了一种人工智能驱动的设备，它可以在几毫秒内检测癌细胞-比以前的方法快几百倍。

通过这样的速度，本发明可以在检测到癌细胞后立即从血液中提取癌细胞，这反过来又有助于防止疾病在体内传播。

一篇关于这一进展的论文发表在《自然科学报告》杂志上。

该方法依赖于两种核心技术：深度学习和光子时间拉伸。

深度学习是一种机器学习，它是一种人工智能技术，在这种技术中，算法被“训练”使用大量数据来执行任务。

在深度学习中，称为神经网络的算法是根据人脑的工作方式建模的。

与其他类型的机器学习相比，深度学习已被证明在识别和生成图像、语音、音乐和视频方面特别有效。

光子时间拉伸是UCLA发明的一种超快测量技术。

光子时间拉伸仪器使用超短激光爆发，每秒捕获数万亿个数据点，比今天最快的微处理器快1000倍以上.. 该技术帮助科学家发现了激光物理学中的罕见现象，并发明了用于三维显微镜、光谱学和其他应用的新型生物医学仪器。

加州大学洛杉矶分校Samueli工程学院电气和计算机工程教授、加州大学洛杉矶分校纳米系统研究所成员、资深作者Bahram Jalali说：“由于这些仪器所产生的珍贵数据数量极多，时间延长仪器和深度学习是天造地设的一种匹配。

”该系统还使用了一种称为成像流式细胞术的技术。

细胞测量是测量细胞特性的科学；在成像流式细胞术中，这些测量是通过使用激光一次拍摄细胞的图像，当它们通过载体流体流动时。

虽然在流式细胞术中已经有对细胞进行分类的技术，但这些技术的处理步骤发生得如此缓慢，以至于设备没有时间将细胞物理分离开来。

在他们以前的工作的基础上，Jalali和他的同事开发了一个深度学习管道，通过直接操作作为成像流式细胞术过程一部分的激光信号来解决这个问题，这消除了其他技术的时间密集型处理步骤。

“我们优化了深层神经网络的设计，以处理由我们的时间拉伸成像流式细胞仪产生的大量数据，从而提高了软件和仪器的性能，”访问博士生李月琴说，他是该论文的第一作者。

加州大学洛杉矶分校博士后研究员和该论文的合著者AtaMahjoubfar说，这项技术允许仪器在几乎瞬间确定一个细胞是否癌变。

“我们不再需要提取细胞的生物物理参数了，”他说。

相反，深层神经网络对原始数据本身的分析速度极快。

3.利用深度学习超声影像组学有效预测早期乳腺癌腋窝淋巴结转移程度乳腺癌是女性最常见的恶性肿瘤，在2019年中国癌症报告中居女性癌症死亡的第五位。

术前准确评估乳腺癌患者腋窝淋巴结转移情况对患者腋窝手术方式的选择及其预后具有重要意义。

前哨淋巴结活检是目前临床上预测乳腺癌患者腋窝淋巴结转移情况的重要方法。

前哨淋巴结活检结果为≤2个阳性的乳腺癌患者可不行腋窝淋巴结清扫术，而≥3个阳性前哨淋巴结的乳腺癌患者则需进一步行腋窝淋巴结清扫术。

然而前哨淋巴结活检术耗时较长，增加患者手术风险，存在假阴性率和假阳性率，43-65%患者因前哨淋巴结活检阳性而行腋窝淋巴结清扫后发现并没有非前哨淋巴结转移。

因此，临床上迫切需要能在术前准确评估乳腺癌患者腋窝淋巴结转移的方法，减少不必要前哨淋巴结活检和腋窝淋巴结清扫手术。

超声检查由于具有使用方便、无辐射、价廉等优点，广泛应用于乳腺癌筛查和乳腺病灶的术前评估，但常规超声检查诊断乳腺癌腋窝淋巴结转移的效能较低，AUC仅为0.585-0.719，无法满足临床需求。

中山大学肿瘤防治中心超声科周建华教授团队联合复旦大学信息科学与工程学院电子工程系余锦华教授团队和中国科学院深圳先进技术研究院的研究人员，发现深度学习超声影像组学能够有效预测早期乳腺癌患者的腋窝淋巴结转移状态，预测N0（无腋窝淋巴结转移）和N+（≥1）（一个及以上淋巴结转移）的AUC达0,.902，预测N+(1-2)（1到2个淋巴结转移）和N+(≥3)（3个及以上淋巴结转移）的效能达到0.905。

该原创性研究成果于近日在Nature Communications在线发表，题目为Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer。

近年来随着深度学习的高速发展，深度学习在影像方面的应用日益增多。

深度学习影像组学通过高通量提取超声图像定量特征，将图像转换为可采集的数据，并与患者其它临床资料相结合，通过复杂的生物信息学工具进行挖掘，提高病变诊断和预后分析的准确性以提供决策支持。

研究收集了584例患者，采用基于深度学习的影像组学方法提取乳腺癌病灶的灰阶超声和剪切波弹性成像的高通量特征参数，同时联合临床病理信息建立预测模型（见下图），不仅能够有效预测乳腺癌患者有无腋窝淋巴结转移，在预测0个或≥1个腋窝淋巴结转移的曲线下面积达0.902，而且能够有效预测腋窝淋巴结的转移负荷，在预测1-2个或≥3个腋窝淋巴结转移中，曲线下面积达0.905，预测效能均显著高于腋窝超声检查、临床病理信息预测模型和单纯基于图像的深度学习模型。

本研究对术前准确评估早期乳腺癌患者腋窝淋巴结转移状况提供了无创的影像学标记，对于指导乳腺癌患者腋窝手术方式的选择和提高乳腺癌患者生活质量均具有重要意义。

深度学习超声影像组学预测乳腺癌腋窝淋中山大学肿瘤防治中心郑雪怡（硕士生）、黄仪妮（博士生）、复旦大学信息科学与工程学院电子工程系姚钊（硕士生）、中国科学院深圳先进技术研究院的于妍妍为共同第一作者。

参考文献：Zheng, X., Yao, Z., Huang, Y. et al. Deep learning radiomics can predict axillary lymph node status in early-stage breast cancer. Nat Commun 11, 1236 (2020). https:///10.1038/s41467-020-15027-z4.德国开发出能自动识别转移癌细胞的深度学习算法日期：2020年01月07日14:58 来源：科技部亥姆霍茨慕尼黑中心2019年12月12日消息：该研究中心与慕尼黑大学、慕尼黑工大合作开发了一款不仅能自动识别扩散的癌细胞，而且还能找到分散在小鼠全身单个癌细胞的算法。

癌症是全球最常见的死亡原因，但90%以上的癌症病人不是死于癌细胞扩散而非原发性肿瘤。

由于生物发光法、MRI成像法等目前的技术分辨率有限，无法在病人全身检测到转移的癌细胞，致使各种癌症的扩散机制鲜为人知，这大大增加了开发新治疗方法的难度，对抗癌新药的效果也很难做出系统分析。

亥姆霍茨慕尼黑中心组织工程与再生医学研究所的科研团队发明了一种能使小鼠全身组织变得透明的工具，对单个细胞进行成像，然后借助激光扫描显微镜可方便地在透明的组织中发现很小的癌细胞转移。

由于人工分析这种高分辨率的图像数据极端耗时，而现有算法的可靠性和处理速度又有限，因此科研人员开发了一种称为DeepMACT的深度学习算法，它不仅可自动辨认出转移的癌细胞，还可以对靶向药中抗体的分布及其效果进行分析，其处理速度是医生专家的300倍。

5.首次看清体内所有癌症转移灶，深度学习方法立大功！中国留学生一作论文登《细胞》封面2019年12月17日12:42癌症为什么被称为绝症？为什么难治？其实不全在于原始的癌细胞，核心在于转移及其并发症。

它的生长力非常强，只要脱落或粘连到哪里，哪里就会生出新肿瘤。

而且这个过程毫无规律，很难抑制，导致当前的癌症疗法很难实现根治效果，业内的统计数据显示，有90%的癌症死亡是转移导致的。

而且转移后的癌细胞到底去了哪里，我们很难发现，虽然现在有生物发光、核磁共振等成像技术，但是分辨率都不够高，无法对全身细胞进行全面的检测。

但最新一期登上Cell封面的研究，让我们第一次看清了癌症转移后所有病灶。

来自德国的研究团队开发出了一种基于深度学习的新型算法DeepMACT，能内在细胞水平自动检测和分析整个小鼠身体中的癌症转移。

这篇论文的第一作者潘晨琛博士说：“DeepMACT是第一种能够对全身（癌细胞）转移过程进行定量分析的方法。

”基于这项技术，人类能够看到其单个癌细胞形成的转移位点，这也是科学家首次完成这一壮举。

而且所使用的时间不到一个小时，准确率比肩人类专家，效率提高了300倍以上。

以往如此工作量，让人类来做可需要数月时间才能完成。

他们将这项技术用在药物治疗后小鼠身上，发现药物最多漏过23%的转移位点。