南加州大学劳伦斯J.埃里森转化医学研究所（以下简称"埃里森研究所"）和甲骨文公司（Oracle）揭示了一种很有前途的两步技术，用于训练用于增强癌症诊断的高置信度预测算法。这项研究使用了新的组织"指纹"——区分肿瘤的微观苏木精和伊红（H&E）组织学特征，并结合正确的诊断，以促进对乳腺癌ER/PR/HER2状态分类的深入学习。

该方法能够实现前所未有的诊断准确率，其类型和类型的算法目的，同时使用不到一千张带注释的乳腺癌病理切片。研究结果表明，大数据中心，该算法在肿瘤结构模式和正确诊断之间建立关联的能力，最终可以帮助临床医生确定肿瘤在特定治疗下的表现，立返利，Oracle的全球计划，为选定的研究人员提供Oracle云技术、咨询和支持，参与Oracle研究用户社区。

该研究发表在科学报告中。

医学机器学习的挑战

开发人工智能（AI）工具诊断癌症的挑战是机器学习算法需要数以万计患者的临床注释数据进行分析在他们能够以一致性和高置信度识别数据中有意义的关系之前。在癌症病理学中，几乎不可能收集到理想大小的数据集。训练计算机诊断癌症的研究人员通常只能访问数百张或数千张病理切片，这些切片上标注了正确的诊断，埃里森研究所的科学家们介绍了一个两步启动算法的过程，在教给癌症组织正确的诊断之前，先识别癌症组织中的独特模式。

"如果你训练一台计算机重现一个人知道怎么做，它永远不会超越人类的表现，"主要作者Rishi Rawat博士说但是，如果你在一项任务上训练它，比一个人能做的任何事情都难10倍，购物返利平台，你就给了它一个超越人类能力的机会。通过组织指纹，我们可以训练计算机浏览成千上万的肿瘤图像，并识别视觉特征来识别单个肿瘤。通过训练，我们基本上进化出了一种计算机眼睛，它被优化用来观察癌症的模式。

这个过程的第一步引入了组织"指纹"的概念，即区分肿瘤组织中的结构模式，算法可以用来区分样本，因为没有两个患者的肿瘤是相互关联的完全相同。这些指纹是生物变异的结果，例如影响肿瘤三维结构的信号分子和受体的存在。研究表明，人工智能在病理切片上发现了这些精细的结构差异，其准确性和可靠性高于人眼，并且能够在没有人类指导的情况下识别这些差异，将它们一分为二，并促使机器学习算法根据它们的分子指纹将它们重新配对。这一实践展示了该算法在没有配对诊断的情况下对"相同"和"不同"病理切片进行分组的能力，这使得研究小组能够在大的、未注记的数据集（一种已知的技术）上训练该算法作为自我监督学习，埃里森研究所分析和机器学习主任、通讯作者丹·鲁德曼博士说："由于临床病理学注释数据供不应求，我们在构建分类器时必须明智地使用它。"我们的工作利用了大量未注释的数据来发现一组简化的肿瘤特征，这些特征可以代表独特的生物学特性。在这些特征所代表的生物学基础上构建分类器，使我们能够有效地将宝贵的注释数据集中在临床方面。"

一旦模型被训练来识别区分患者的乳腺癌组织结构，第二步是利用其已建立的分组能力来学习哪些已知模式与特定诊断相关。从癌症基因组图谱中获得的939个病例的发现训练集使算法能够准确地将ER、PR和Her2状态的诊断类别分配给AUC为0.89的全玻片H&E图像（ER）、0.81 AUC（PR）和0.79 AUC（HER2）在澳大利亚乳腺癌组织库的2531例乳腺癌患者的大型独立测试集上进行研究

在使用Oracle云技术的同时，爱淘客，该研究的开创性技术创造了医学机器学习的新范式，这可能允许未来使用机器学习来处理未标记或未标记的组织样本，以及可变处理的组织样本，以协助病理学家进行癌症诊断。

"甲骨文研究所很高兴通过先进的云技术支持和加速埃里森研究所的开拓性发现，"他说孙马梅，甲骨文副总裁。"埃里森研究所对机器学习和人工智能的创新使用可以彻底改变癌症研究、治疗和病人护理，并最终改善许多人的生活。"

技术使癌症诊断民主化

在乳腺癌中，表达一种称为雌激素受体的分子的肿瘤在细胞水平上看起来是独特的，并属于其自身的一部分自己的诊断类别，因为他们通常对抗雌激素治疗有反应。目前，病理学家必须使用化学染色来探测活检样本中是否存在雌激素受体才能做出诊断，而且这个过程非常耗时，

建立的算法旨在通过直接分析肿瘤图像，将其诊断为"雌激素受体阳性"，而无需对雌激素受体进行特异性染色，从而提高病理学家在数字化病理工作流程中的准确性和效率。这项研究的结果支持使用组织"指纹"可以直接预测治疗反应的观点，有可能避免目前用于癌症诊断的分子染色方法的需要。