ibm 最近在醫學領域成果喜人，動作不斷。繼成功用照片診斷皮膚癌後，ibm 研究院日前釋出最新成果稱，他們采用了深度學習和神經網絡，在識别癌變細胞的有絲分裂上取得了巨大進展。
醫生在診斷癌變細胞時，主要通過用活組織切片檢查法分析病人組織樣本的方式。然而即使這些組織有時如針頭般微小，病理學家需要從中檢測出惡性良性腫瘤細胞消失的種種迹象，也要觀測出癌變細胞出現的重要特征，以幫助醫生對症下藥。
病理學家在分析樣本時，會将一些典型的組織樣本用試劑溶液進行着色标記。結果顯示，試劑顔色的深淺及其在細胞組織内的分布情況，能夠區分疾病的種類及疾病的惡化程度。
2016年惡性良性腫瘤擴散評估挑戰賽的乳腺癌細胞訓練樣本
病理學家随後要在顯微鏡下研究這種被标記的組織樣本。然而此階段耗時長且工作量巨大，研究人員每天都要處理上百份樣本，而這樣長時間的高負荷工作難免會導緻診斷正确率的降低。
随着近代醫學影像技術及深度學習的發展，病理學家們亟需計算機技術的援助，而計算機科學家們也在為之不懈努力。為了驗證人工智能技術在醫療領域中的應用效果，科學家們組織了一場黑客馬拉松挑戰賽。
幾個星期前，在烏德勒支大學醫學中心、艾因霍芬技術大學、貝斯以色列女執事醫療中心和哈佛醫學院的支援下，主辦方在希臘雅典進行舉辦了“惡性良性腫瘤擴散評估挑戰賽”（tumor proliferation assessment challenge，tpac），作為 2016 年的 miccai 國際會議的一個分會活動。
來自全世界各地的 159 支團隊，在活動開展的首日争分奪秒地下載下傳醫學院提供的500張乳腺癌細胞圖像。作為訓練樣本，該資料集超過了 50000*50000 像素的分辨率。誠然，這場挑戰賽是一場鏖戰，直到比賽結束的鐘聲敲響，也隻有14支隊伍送出了結果。
其中一支隊伍來自 ibm 瑞士實驗室和 ibm 巴西實驗室。這支藏龍卧虎的國際隊伍由法國人，匈牙利人和希臘人組成，共同參與了這界“基于自适應算法的有絲分裂檢測難題”挑戰賽。競賽長達數月，經曆了整整一個夏天，但是付出終有回報。他們在本次比賽中一舉獲得第二名，與第一名隻差了 0.004 分。
ibm研究員erwan zerhouni、maria gabrani與david lanyi使用深度學習與神經網絡解決癌症中的難題
“人工辨認細胞的有絲分裂是一個極其棘手的工作，既然如此，那就交給計算機來解決吧”，david lanyi 如是說。他在 ibm 工作之前曾在蘇黎世理工學院從事深度學習領域的有關研究。
“在今年 7 月，我們開始通過基于神經網絡的深度學習算法進行對組織樣本的特性進行訓練。訓練的主要工作是尋找陰性和陽性組織樣本的細微差别。在經過一段時間的訓練後，機器學習的效果顯著。”
erwan zerhouni 提道，“在五年前這幾乎是一項不可能完成的任務。目前，算法診斷一幅 5600*5600 的圖檔需要一個小時，在後續的研究中我們可以不斷對其進行優化，進而将時間成本壓縮到 20 秒以内，同時可以診斷任一種類型的癌症。”
“我們設法結合 miccai 最新的深度學習技術來一起迎接針對組學資料（包括基因組學和蛋白質組學）的深入分析，為病人提供更精準的醫學診斷。”來自ibm巴西實驗室并參與了這一挑戰賽的 matheus viana 時常在思索這一項目的未來發展。同時，這支團隊正準備與 ibm 海法實驗室的研究人員共享乳腺癌成像分析的研究結果。
癌症僅僅是 ibm 公司在醫療圖像領域研究的一類疾病。 ibm 會員兼醫學圖像領域專家 tanveer syeda-mahmood 博士了解到該團隊的進展計劃，并計劃與其協作研究，意将深度學習方法引入醫學篩研究領域。這對放射學與心髒病學的研究頗有裨益。類似地，在視覺疲勞的研究中，藥理學、病理學的專家們經常遇到類似的挑戰。syeda-mahmood 的研究成果将在下周北美放射學會的年會上展出。