陳根：卷積神經網絡，有效識別不明原發灶_風聞

文/陳根

原發灶不明癌症（CUP）是一類“經過詳細檢查，但始終無法確認癌症原發灶”的轉移性癌症統稱，在所有癌症患者中佔比1%-2%。這類患者往往會經歷各種各樣的檢查，但最終只能依據經驗聯合使用放化療，經濟負擔較重而且普遍預後較差，中位生存時間僅為2.7**-16個月。**

一直以來，研究者都在利用基因組學技術尋找CUP的起源，但研究結果往往不盡人意。同時，基因組學檢測對於CUP患者來説也是一項不小的經濟負擔。因此，如何實現對原發灶不明癌症的溯源，是醫學界長期面臨的挑戰。

得益於人工智能(AI)的發展，現如今，通過將AI圖像識別技術和醫學影像資料相結合，在多個醫學影像讀片或診斷任務中，AI已經能夠達到甚至超越專業醫生的水平。近日，來自哈佛大學的研究人員就實現了AI與癌症診療的完美結合。

研究人員****通過學習大量患者的蘇木精伊紅染色（H＆E）病理切片，以弱監督的方式訓練出一個CNN模型（命名為TOAD）。在讀取一張病理切片後，TOAD能夠對人體的18種組織進行預測打分，通過對預測分數進行排序，可以找到癌症最可能的組織來源。

研究人員從公共數據庫和百翰婦女醫院中收集了來自29107名患者的32537 張H&E染色切片，分別標記為18種原發癌源。按照70%、10%、20%的比例劃分為訓練，驗證和測試數據。通過反覆的訓練和優化模型，TOAD在測試數據中的Top-1準確率為83.4%，Top-3準確率為95.5%，Top-5準確率已經能夠達到98.1%****。

為了探究TOAD是否具有普適性，研究者又從223家醫學中心收集了682名患者的數據進行預測。在這些數據中，TOAD的Top-1準確率為79.9%，Top-3準確率為93.4%，表現依然十分出色。

此外，研究人員又從152家醫學中心收集了743名患者的數據，這些患者均在診療過程中的某一個時段被診斷為CUP，其中的317名患者經歷徹底的臨牀和輔助檢查之後，最終確定了腫瘤來源。研究者選擇了這317名患者的切片進行原發灶預測。

結果表明，雖然TOAD對於這些數據的Top-1準確率下降到了60.6%，但是Top-5準確率仍能達到92.1%。這説明即使是面對臨牀中最難診斷的CUP患者，TOAD仍可通過讀取病理切片有效縮小癌症的可能來源。

未來，如果這項研究投入臨牀使用，那麼僅需一張普通的病理切片，醫生就能圈定原發灶不明癌症的範圍，這不僅可以大幅減輕腫瘤科醫生的工作難度，也可提高診療的準確性和效率性。