3月15日，德国癌症研究中心的Stefan Pfister带领团队研发了一种针对脑癌的诊断AI工具，可对91种不同类型的脑癌进行判别，最后的测试结果比专业医生还准确。相关研究已经被发表在《自然》杂志上。
脑癌与诊断AI
在所有癌症中，脑癌可谓是最复杂的种类，因为牵扯到人类最精密的器官——大脑中枢系统。目前医学家对脑癌的分类就已经达到100多种，针对不同的种类还有不同的治愈率、复发率，此外相关治疗方案也不同。因此，准确快速判断出患者属于哪一类脑癌是整个治疗的前提。
自然，不少科学家都想到了利用AI来进行判断，此前我们也介绍过MIT、哈佛的多款图像识别AI，可从微米级别的核磁共振成像中判断乳腺癌或肺癌。
但是，以图像识别的方式判断脑癌并不是一条最好的路。目前临床上主要是医生通过患者显微镜下的组织照片，再结合脑脊髓液中的肿瘤分子标志物，来判断患者属于哪一类脑癌。但是，这样的方法面临两大问题，一是显微镜下的各类肿瘤组织表现相似度高，二是标志物的含量十分稀少，这就给脑癌的精准判断增加了不少难度，即便经验丰富的医生也会出现错误判断。
为此，Stefan Pfister采取了一种叫做“随机森林”的机器学习算法，而非图像识别AI。
随机森林
简单来说，这套算法就是构建多个“决策树”，每棵树都能根据样本数据随机抽样进行分析，并最终得到结果。然后，就像开会一样，每棵树对结果进行“投票”，得票最多的即为最终的结果，效果堪比三个臭皮匠。
随机森林算法其实早在1995年就被提出，由于能够对数据进行良好的分类和预测，目前在统计学中应用非常广泛。除了可用于股票预测之外，另外一大应用就是利用病理数据当做训练集，来进行医疗诊断。
DNA甲基化数据
另外，由于采取了这项算法，数据当然也不再是患者的CT或核磁共振成像，而是DNA甲基化数据。
所谓的DNA甲基化，即在甲基化转移酶的帮助下，活性甲基转移至DNA链中特定碱基上的化学修饰过程，也被形象地称为给DNA“戴帽子”。
这顶“帽子”在调控基因表达、维持染色质结构、基因印记、X染色体失活以及胚胎发育等生物学过程中都会发挥重大作用。近年来也有研究表明，DNA异常甲基化和肿瘤的发生、发展、细胞癌变有着密切的联系，甲基化因此也被称为癌症的“通用指纹”。
当然，为了用甲基化数据训练该AI，研究团队获取了近3000名癌症患者的DNA甲基化数据，这些DNA数据取自泡在福尔马林中的组织，均来自有详细记录的脑癌患者。随后，他们将训练之后的AI工具在1104个脑癌症病例上进行了测试。
诊断结果
结果，在75.9%的样本上，AI系统和病理学家诊断是一致的。更重要的是，另外有12.6%的病例，AI系统和病理学家诊断的结果不一致，在研究人员进行基因测序后发现，其中92.8%的样本是AI系统对了，也就是说比人类病理学家判断更加准确。
但同时该AI也存在缺陷，最后有剩余的11.5%的样本，AI系统表示无能为力，原因在于这部分脑肿瘤非常罕见，前期的样本量不够，导致AI系统无法识别。
未来计划
为了扩大准确率，研究团队将该AI工具公开给了一些医疗诊断研究所，供医生进行辅助诊断或病理研究，随着使用人数的增加，罕见病例数据的丰富，相信该AI的准确率也会得到提高。
此外，该团队也在建立除脑癌之外的其他数据集，例如淋巴癌、B细胞癌，以便未来能够用来检测各个种类的癌症。利用随机森林算法，以及准确度颇高的DNA甲基化数据，或许会成为下一代癌症检测工具。
