研究人员发现，机器学习能准确的识别重要疾病的相关特征，在区分两种类型的肺癌和预测病人的生存时间方面要比病理学家用分级和分期的标准方法预测出来的结果更准确。
Michael Snyder博士兼遗传学主席表示：“现在实行的病理学是非常主观的，两位同样资深的病理学专家评估相同的切片时，只有约60%的预测结果会一致。而定量的测量改善了前者主观性的缺点，我们觉得有可能改善患者的结果。”（此研究结果于8月16日发表在《自然通信》杂志上。该研究结果是由斯坦福基因组学和个性化医学研究中心斯奈德指导，并与联合放射学和医学副教授Daniel Rubin。研究生Kun Hsing Yu共同对该项研究进行编著。）
Michael Snyder
研究人员认为，虽然目前的研究主要集中在肺癌领域，但许多其他类型的癌症也可以运用类似的方法。Snyder还表示道：“通过连接重要的病理特征与结果数据，最终这项技术将使我们深入了解癌症的分子机制。”
评估癌症的严重程度
几十年来，病理学家在评估病情的严重程度或癌症分级时都是用显微镜观察肿瘤细胞的分化程度来确定的。临床医生还会根据原发肿瘤的大小、向周围浸润的程度与范围、是否累及邻近器官、有无附近或远处淋巴结和器官转移等因素来确定的肿瘤分期。
肿瘤的分级和分期通常可以用来预测病人病情。它们还可以帮助临床医生如何决定并积极地治疗疾病。然而，这种分类系统在预测肺癌方面总是不尽如人意。特别是，肺腺癌和鳞状细胞癌的亚型在检查组织培养切片时是很难区分的。此外，一个病人的癌症的分级和分期在预后方面并不准确，还会产生很大的不同。例如一级腺癌患者，诊断在五年内死亡的几率为50%，而实际上有15%的人都活过了10年。
研究人员从国家数据库中研究了2186幅癌症和肿瘤基因图谱涵盖了腺癌和鳞状细胞癌。该数据库还匹配了癌症分级和分期的各项信息，以及每一个病人诊断后的生存时间。
然后研究人员利用机器学习图谱来帮助计算机软件程序来识别更多的癌症特异性特征，计算机能检测出1万个个体特征，而病理学家通常智能识别几百个。这些特性不仅包括细胞的大小和形状，而且还包括细胞的细胞核的形状和质地，还有相邻的肿瘤细胞之间的空间关系等等。
教授Snyder表示：“我们做研究一开始就没有任何先入为主的观念，我们让软件来确定哪些特征是重要的，从事后看来，这一切都是有意义的。计算机可以在成千上万的样品中辨识出极微小的差异，这比人工更加准确及迅速。”
病理学走向二十一世纪
研究人员深入研究软件的细胞特征识别功能，该项功能最好能从非癌症组织中鉴别肿瘤细胞，确定肿瘤类型，并预测每个患者能存活多久。然后，他们又从斯坦福租住微阵列数据库的摘录了294个肺癌患者，验证了该软件在准确区分短期幸存者方面的能力。
如果21世纪能运用该技术，这将对患者和临床医生来说都是一件极好的事情。
确定先前未知的物理特性，可以预测癌症的严重程度和生存时间，也有可能了解更多的癌症产生和分子发展过程的信息。特别是，斯奈德预计，机器学习系统中描述的这项研究能够填补癌症基因组学，转录组学和蛋白质组学的新兴领域。能帮助这些领域的癌症研究人员研究DNA突变和基因，蛋白质导致疾病的表达模式。
Snyder指出：“我们做这项研究是因为我们想结合图谱 和“组学”研究，更好地了解癌症在分子水平上的过程，这项研究有可能带领癌症病理走向21世纪，对患者和医生都是一件了不起的事情。”
这项工作是斯坦福医学追求精密健康的一个例子，它的目标是预测和预防疾病，精确的诊断和治疗疾病。
已有0人发表了评论