Google以深度學習協助檢測胸腺癌轉移，時間少一半、錯誤率降2倍

Google提出了一套基於LYNA（LYmph Node Assistant）的診斷方法，透過LYNA演算法，病理學家將可以更容易的檢測出，胸腺癌細胞在淋巴結上的微轉移，不只讓幻燈片檢驗時間減半，還讓錯誤率下降兩倍。但Google提到，雖然研究已經有初步的成果，但是要到實際應用還有一段很長的路要走。

以顯微鏡檢查病患的腫瘤，被視為癌症診斷的黃金標準，而且對預測以及治療決策有決定性的影響，淋巴結轉移與大多數的癌症相關，同時也是廣泛被採用的TNM癌症分期重要的參考指標。對於診斷乳腺癌更是特別重要，淋巴結轉移會影響後續放射治療、化療或是手術切除額外淋巴結的治療決策，因此淋巴結轉移的識別準確度和即時性對於臨床治療有顯著的影響。

但要檢測癌細胞從原發部位轉移到附近淋巴結並非容易的事，研究顯示，大約有四分之一的淋巴結轉移診斷結果，會在第二次病理檢查時改變，而在有限時間進行評估時，單張病理幻燈片上的小型轉移檢測精準度可能只有38％。在2016年，Google以深度學習強化了LYNA診斷準確性，但Google提到，光靠演算法並不足以改變病理學家的工作流程，或是改善乳腺癌患者的治療。

Google在今年，於兩篇論文提出了基於LYNA的概念性驗證病理學家輔助工具，並研究其中的影響因素。Google對聖地亞哥海軍醫療中心提供的去識別病理幻燈片獨立資料集上使用獨家演算法，由於這個資料集是不同實驗室以不同程序採集的病理樣本組成，改善了常規臨床實踐上幻燈片的多樣性，LYNA被證明能強健的處理影像的易變性以及組織假影（Histological Artifacts）。

LYNA不需要進一步發展，就能對兩類資料集都有類似的效能表現。在兩個資料集中，LYNA能夠以99％精準度，區分有轉移性癌症和沒有癌症的幻燈片，而且LYNA還能精確的標出每張幻燈片中，組織可能有癌症的區域，甚至可以找出病理學家無法找到的一些微小細節。

第二篇論文則是找來病理學家進行模擬診斷，實驗在有LYNA和沒有LYNA幫助下，檢查轉移性乳腺癌淋巴結的工作。由於檢測微小轉移是非常費力的工作，而在有LYNA的協助下，病理學家在主觀上認為工作變得更加容易，並且每張幻燈片的檢驗時間從2分鐘縮短至1分鐘，檢查所花費的時間減半，而且微轉移判斷出錯率降低2倍。這代表LYNA輔助技術能減輕重複識別工作的負擔，並減少病理學家付出的時間和精力，能專注於其他更具挑戰性的臨床和診斷任務上。

透過這些研究，Google證明LYNA演算法，能對乳腺癌TNM分期提供穩定可參考的證據，不過，Google卻表示，這些研究成果雖然值得高興，但是距離要實際用於幫助醫生和病患，還有很長的路要走，因為這些研究具有侷限性，像是有限的資料集和診斷工作流程進行，目前僅能用於檢測單個淋巴結幻燈片，而非臨床上需對多個幻燈片進行判斷，對於進一步使用LYNA作為真實臨床案例，還需要審慎的評估設計。