要說醫師與病患對於乳癌診斷的結果有著什麼盼望，應該就是想要一個可靠的結果。
對於科學家來說，想要跟上排山倒海而來之乳癌研究資料的腳步，著實是件難題。再加上用於分析資料的諸般方法，讓科學家要提出可靠的預測內容更是難上加難。
一支來自哈佛醫學院貝斯以色列女執事醫療中心（BIDMC）的研究團隊，在 2016 Camelyon Grand Challenge 競賽活動裡運用深度學習技術來克服了這項難題。這項由國際生醫影像年會（ISBI）舉行的競賽，旨於判斷演算法怎麼協助病理學家在淋巴結影像裡更精準地找出癌細胞。
這支來自 BIDMC 的研究團隊出現戲劇性的結果，病理學家以採用 GPU 技術的深度學習方法進行分析時，將人類在診斷方面的誤差率降低 85%。
結合病理學與人工智慧
這支由病理學助理教授暨 BIDMC 癌症研究所生物資訊部門主任 Andrew Beck 領軍的研究團隊，運用人工智慧領域的最新進展以協助病理學家解決這些棘手的問題。
Beck 說：「我們的目標是建立一套運算系統，協助找出淋巴結裡的癌症轉移區域。我們的引導性假設是病理學家跟電腦配合，會比病理學家單獨作業會有更佳的表現。」
這支團隊在進行這項研究計劃時，使用 NVIDIA Tesla K80 GPUs 搭配 cuDNN 加速 Caffe 深度學習架構，Beck 說此舉大幅加快訓練其運算模型的速度。
研究團隊取得數百萬個標示為癌症或正常的小型切片影像，接著使用那些樣本來訓練模型找出區域內有癌細胞的機率，最終建立腫瘤機率熱圖。
研究結果擲地有聲
該團隊的系統成功辨識癌症的比例達 92%，創下令人刮目相看的成果。雖然未達人類病理學家 96% 的成功辨識率，其優異表現也足以在 Camelyon Grand Challenge 競賽活動的兩個類別裡獲得冠軍。
這也證明了團隊的假設：人類的分析能力加上深度學習結果，達到 99.5% 的成功率，意指人類病理學家搭配人工智慧系統能提高分析能力，象徵在辨識和治療癌症方面出現重大進展。
這支研究團隊不斷增進其演算法，近期在分析評估組的精準度上達到 97.1% 的水準，超越人類病理學家的表現。
受到研究成果的鼓勵，Beck 跟同事成立了一家名為 PathAI 的新創公司，著重於發展和應用人工智慧技術，以提高診斷能力。
「這項成果極有意義，未來我們會看到更多人工智慧結合傳統病理學的例子，讓診斷結果更為精確、標準化和具有預測性。」Beck 說。
點擊他們已經發表的報告，深入瞭解 Beck 及其團隊優秀的成果。