华盛顿州立大学开发的深度学习人工智能模型能够比人类更快、更准确地识别动物和人类组织图像中的病理或疾病指标。这一进展有望显著加速与疾病相关的研究，并改善医学诊断，例如在几分钟内检测活检图像中的癌症，而这通常需要人类病理学家几个小时。
华盛顿州立大学开发的深度学习人工智能模型能够比人们更快、更准确地识别动物和人类组织图像中的病理或疾病迹象。
有关此项发展的详细信息已在《科学报告》中发布，它可以大大提高与疾病相关的研究速度。此外，它在推动医学诊断方面显示出潜力，比如在几分钟内诊断活检中的癌症，而这通常需要人类病理学家几个小时。
华盛顿州立大学的生物学家、该研究的共同通讯作者迈克尔·斯金纳表示：“这个基于人工智能的深度学习程序在观察这些组织方面非常准确。它能够从根本上革新这一类型的医学，既有利于动物，也有利于人类，从而更好地促进这类分析。”
该人工智能模型由计算机科学家科林·格里利（前华盛顿州立大学研究生）和他的导师劳伦斯·霍尔德共同开发。他们使用斯金纳实验室以往进行的表观遗传学研究中的图像进行训练，这些研究专注于大鼠和小鼠肾脏、睾丸、卵巢和前列腺组织中的分子疾病迹象。研究小组还用来自其他研究的图像进行了人工智能测试，这些研究调查了乳腺癌和淋巴结转移。
研究表明，这个新的人工智能深度学习模型不仅能够快速识别病理，并且比早期模型速度更快，在某些情况下能够发现熟练的人类团队可能会忽视的问题。
霍尔德表示：“我认为我们现在有了一种方法，可以更快、更准确地识别疾病和组织。”
传统上，组织分析需要由经过特别培训的团队细致工作，他们在显微镜下检查和标注切片，通常需要交叉核对评估以减少错误。
在斯金纳的表观遗传学研究中——调查影响基因行为的分子过程变化而不改变DNA本身——这一过程可能需要一年或更长时间才能完成广泛研究。然而，利用新的人工智能模型，他们可以在只需几周内获取相同的数据，斯金纳如是说。
深度学习是一种旨在复制人类大脑功能的人工智能技术，超越了传统的机器学习方法。霍尔德解释说，深度学习模型由神经元和突触网络组成，使其能够通过一种称为反向传播的过程从错误中学习，这将调整网络中的众多连接以纠正错误并防止再次发生。
华盛顿州立大学的深度学习模型被设计用于处理超高分辨率的吉字节图像，该图像包含数十亿个像素。为了处理即使是高级计算机也难以负担的大文件，研究人员工程化人工智能，以在较低分辨率下分析更小的瓷砖，同时考虑它们在较大部分中的上下文，类似于用显微镜放大和缩小。
这个深度学习模型引起了其他研究人员的兴趣，霍尔德的团队目前正与华盛顿州立大学的兽医学专家合作，以诊断鹿和驼鹿组织样本中的疾病。
此外，作者强调该模型在增强人类研究和诊断方面的前景，特别是在癌症和其他基因相关疾病方面。如果能够获得足够的数据，例如标注图像突出组织中的癌症，研究人员可以训练人工智能进行此类分析，霍尔德表示。
霍尔德说：“我们设计的网络是最先进的。我们对比了几种其他系统和数据集，结果它超越了所有这些。”
这项研究得到了约翰·坦普顿基金会的支持。华盛顿州立大学生物科学学院的研究助理教授埃里克·尼尔森也是该论文的合著者之一。
