本文摘要：转移性肿瘤，所指的是癌细胞瓦解其完整的组织，通过循环或淋巴系统穿越身体，并在身体的其他部位构成新的肿瘤，这是众所周知十分无法检测的一种肿瘤。2009年，在波士顿，两家医疗中心对102名乳腺癌患者展开的一项研究找到，有四分之一的患者都由于医疗过程中“医疗程序”告终，而受到了有所不同程度的影响，例如有可能是因为身体检查不充份和临床检查不原始。 全球有50万人因乳腺癌丧生，他们当中有90％都是转移性肿瘤。

转移性肿瘤，所指的是癌细胞瓦解其完整的组织，通过循环或淋巴系统穿越身体，并在身体的其他部位构成新的肿瘤，这是众所周知十分无法检测的一种肿瘤。2009年，在波士顿，两家医疗中心对102名乳腺癌患者展开的一项研究找到，有四分之一的患者都由于医疗过程中“医疗程序”告终，而受到了有所不同程度的影响，例如有可能是因为身体检查不充份和临床检查不原始。

全球有50万人因乳腺癌丧生，他们当中有90％都是转移性肿瘤。圣地亚哥海军医疗中心的研究人员，以及致力于的Google人工智能部门研究人员，目前研发出有了一种可期的解决方案，该解决方案使用癌症检测算法，可自动评估淋巴结前列腺。

他们的AI系统，又被称作淋巴结助手（LYNA），一篇公开发表在《美国外科病理学》杂志上，为题《基于人工智能的乳腺癌淋巴结移往检测》的论文中对该系统有所叙述。在测试中，它的接收器工作特性（AUC）下面积（一种检测精度的测量）能超过99％，这是病理检验师所做到将近的。根据最近的一项评估，病理检验师在时间容许上有62％的时间找到没法个别载玻片上的小移往现象。该论文的作者写到：“人工智能算法可以详细地评估幻灯片上的每个的组织切片。

我们获取了一个框架，以协助实践中的病理学家评估这些算法，并把它们划入自己的工作流程（类似于病理学家如何评估免疫系统组织化学结果这样的内容）。”LYNA模型是一种开源的基于Inception－v3的图像识别深度自学模型，在斯坦福的ImageNet数据集小黑早已被证明可以构建78．1％的准确率。

正如研究人员所说明的那样，它必须一个299像素的图像（Inception－v3的配置文件输出大小）作为输出值，然后在像素大小的级别上表明出有肿瘤的轮廓，并且在训练过程中，获得标签——即预测该的组织切片是“良性”还是“肿瘤”，并调整模型的算法权重以增加误差。该团队通过将LYNA模型置放长时间切片比肿瘤切片为4：1比例的这样一个训练环境中，并提升训练过程的“计算出来效率”，改良了他们先前发布的算法，这使得通过该算法可以“看见”更好的的组织多样性。此外，他们还对前列腺玻片扫瞄的变化展开了标准化，他们指出这可以将模型的性能提高到更高的程度。

研究人员将LYNA模型置放2016年淋巴数据集中于（Camelyon16）的癌症移往数据环境里展开训练，该数据集来自于Radboud大学（Nijmegen，theNetherlands）和Utrecht大学（Utrecht，theNetherlands）的医学中心，里面包括了399个淋巴结切片的玻片图像，以及来自20名患者的108张图像。

本文来源：18新利app-www.pietytive.com