借助人工智能，机器现在可以检查数千张医学图像——以及这些图像中数十亿个像素——从而识别出放射科医生或病理学家难以察觉的细微规律。
随后，机器利用这些信息判断是否存在某种疾病，或估算其侵袭性、生存可能性或对治疗的潜在反应。
我们是来自计算成像与个性化诊断中心的工程师。我们的团队与医生和统计学家合作，开发并验证此类工具。
许多人担心这项技术旨在取代医生。但我们相信，该技术将与人类协同工作，提高医生的效率，并帮助他们处理复杂病例的决策。
机器学习与医学图像
在一项研究中，斯坦福大学的研究人员表明，在区分皮肤癌与良性病变的100张测试图像中，机器的准确度与经过培训的皮肤科医生相当。
在另一项研究中，谷歌的计算机科学家采用一种名为深度学习的人工智能方法，从视网膜高分辨率照片中准确识别出哪些患者患有糖尿病视网膜病变——即糖尿病导致的一系列视网膜变化。谷歌的另一个深度学习项目已成功利用视网膜图像预测心血管疾病风险。
我们的团队一直在开发新方法，用于从MRI和CT等扫描图像以及数字化组织切片图像中识别疾病。
在105名心脏病患者心脏组织的活检图像中，我们的算法预测了哪些患者将会发展为心力衰竭，且准确率很高。
在另一项研究中，我们利用前列腺癌患者的MRI扫描结果进行研究，我们的计算机算法在放射科医生漏诊的病例中，识别出了70%以上具有临床意义的疾病。在放射科医生误判患者患有侵袭性前列腺癌的病例中，有一半机器能够正确识别出不存在具有临床意义的疾病。
我们的团队还一直在开发相关方法，用于预测患者对特定疗法的反应，并监测早期治疗情况。
以免疫疗法为例。免疫疗法药物通过增强人体自身的免疫防御来对抗癌症。与传统化疗相比，它们已显示出巨大的前景，但某些局限性制约了其广泛应用。只有约五分之一的肺癌患者可能真正对免疫疗法方案产生反应。此外，这些疗法每位患者每年的费用高达20万美元以上，并可能对免疫系统产生毒性作用。医生需要一种方法，以准确判断哪些患者可能受益。
为了在治疗开始前确定治疗成功的可能性，我们的实验室正在开发一款软件，用于检查常规诊断性肺肿瘤CT扫描图像。该软件分析肿瘤的纹理、强度和形状，以及为结节供血的血管形状。这些信息可能有助于肿瘤学家优化治疗剂量或调整患者的治疗方案。
在许多癌症及其他疾病中，用于预测疾病侵袭性或治疗反应的计算工具都可能为医生提供帮助。例如，今年6月发表的一项研究比较了接受辅助化疗或标准内分泌治疗的乳腺癌女性患者。约70%的患者接受化疗后，与标准方案相比，并未显示出获益。因此，避免不必要且往往有害的化疗成为医生面临的关键问题。然而，目前预测治疗结果的唯一方法依赖于昂贵的基因组检测，而此类检测会破坏组织。
我们目前正在研发一种新方法，用于分析乳腺活检的数字化组织图像。我们于今年启动的新项目，将在印度孟买的Tata Memorial Hospital对乳腺癌女性患者开展该技术的测试。
让这一切成为可能
临床医生、放射科医生和病理学家借助人工智能完善其决策，存在巨大机遇。在为个体患者制定量身定制的治疗方案方面，这一点尤为突出。
此类技术在医院投入使用之前，像我们这样的研究人员还需要进行进一步测试，以确保其可靠性和有效性。这可以通过在多家医疗机构开展测试来完成。
医生能够解读该技术也十分重要。如果某项技术无法用现有生物学研究加以解释，医生便不太可能采用。例如，我们的肺肿瘤软件之所以分析血管形状，是因为研究表明，为肿瘤供血的血管迂曲程度会对药物输送产生负面影响。
因此，像我们这样的人工智能研究人员在开发过程中尽早让临床医生作为平等的合作者参与其中，至关重要。
