Nat Cancer | 組織病理學(xué)中的人工智能：加強(qiáng)癌癥研究和臨床腫瘤學(xué)

原創(chuàng)?huacishu?圖靈基因?2022-09-29 18:16?發(fā)表于江蘇

收錄于合集#前沿生物大數(shù)據(jù)分析

撰文：huacishu

IF=23.177

推薦度：?????

亮點(diǎn)：

1、作者描述了人工智能如何用于預(yù)測(cè)癌癥結(jié)果、治療反應(yīng)、基因改變和數(shù)字化組織病理切片中的基因表達(dá)；

2、作者總結(jié)了基礎(chǔ)技術(shù)和新興方法，指出了其局限性，包括數(shù)據(jù)共享和標(biāo)準(zhǔn)的需要；

3、最后，作者討論了AI在癌癥研究和腫瘤學(xué)中的更廣泛意義。

德國(guó)海德堡大學(xué)醫(yī)院Jakob Nikolas Kather教授課題組在國(guó)際知名期刊Nat Cancer在線發(fā)表題為“Artificial intelligence in histopathology: enhancing cancer research and clinical oncology”的論文。人工智能（AI）方法增加了我們從數(shù)字組織病理學(xué)圖像中提取定量信息的能力。人工智能有望減少人類專家的工作量，提高病理報(bào)告的客觀性和一致性，并通過(guò)從常規(guī)可用數(shù)據(jù)中提取隱藏信息產(chǎn)生臨床影響。

在這里，作者描述了人工智能如何用于預(yù)測(cè)癌癥結(jié)果、治療反應(yīng)、基因改變和數(shù)字化組織病理切片中的基因表達(dá)。作者總結(jié)了基礎(chǔ)技術(shù)和新興方法，指出了其局限性，包括數(shù)據(jù)共享和標(biāo)準(zhǔn)的需要。最后，討論AI在癌癥研究和腫瘤學(xué)中的更廣泛意義。

惡性腫瘤是復(fù)雜的、異質(zhì)的、多細(xì)胞的生態(tài)系統(tǒng)。了解不同細(xì)胞類型與腫瘤進(jìn)化和生態(tài)學(xué)之間的相互作用是有效治療癌癥的關(guān)鍵。在過(guò)去幾十年中，基因組、轉(zhuǎn)錄組和蛋白質(zhì)組分析已成為癌癥研究的重點(diǎn)，并隨后開(kāi)始進(jìn)入臨床常規(guī)（圖1a）。腫瘤的組織學(xué)表型是補(bǔ)充基因組、轉(zhuǎn)錄組和蛋白質(zhì)組的額外關(guān)鍵數(shù)據(jù)，這些數(shù)據(jù)結(jié)合起來(lái)對(duì)癌癥診斷至關(guān)重要。

計(jì)算病理學(xué)是指人工智能在病理組織學(xué)中基于計(jì)算機(jī)的圖像分析中的應(yīng)用，近年來(lái)得到了發(fā)展和廣泛應(yīng)用。計(jì)算病理學(xué)方法可以從組織學(xué)表型中提取信息，從而實(shí)現(xiàn)廣泛的研究和診斷應(yīng)用（圖1b）。這種能力是組織病理學(xué)和分子診斷領(lǐng)域技術(shù)進(jìn)步的結(jié)果，結(jié)合了過(guò)去幾十年計(jì)算機(jī)視覺(jué)和生物信息學(xué)的方法創(chuàng)新（圖1c）。

通過(guò)新的高通量技術(shù)，可以對(duì)腫瘤及其微環(huán)境進(jìn)行更精確、更豐富的表征，從而在綜合分子水平上研究各種腫瘤特性。利用生物信息學(xué)和數(shù)據(jù)科學(xué)的工具，可以從產(chǎn)生的大量數(shù)據(jù)中提取生物學(xué)和臨床相關(guān)信息。因此，除了通過(guò)自動(dòng)化輔助常規(guī)診斷工作外，計(jì)算機(jī)輔助量化此類樣本將產(chǎn)生大量科學(xué)和醫(yī)學(xué)上有價(jià)值的信息。然而，直到最近，使用基于計(jì)算機(jī)的圖像分析方法評(píng)估常規(guī)病理切片，大多停留在研究層面，而不是臨床常規(guī)應(yīng)用。

現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種特殊類型的神經(jīng)網(wǎng)絡(luò)，是特別適合計(jì)算機(jī)視覺(jué)和圖像分類的機(jī)器學(xué)習(xí)算法。CNN設(shè)計(jì)為使用多級(jí)圖像結(jié)構(gòu)，其中基本圖像特征（如輪廓）由相鄰像素強(qiáng)度的變化定義（圖2a），較大的圖案實(shí)際上是較小圖案的連續(xù)組合。可以使用稱為卷積（圖2b）的數(shù)學(xué)運(yùn)算在每個(gè)尺度上識(shí)別這些模式，從而生成一組表示圖像內(nèi)容的越來(lái)越抽象的特征圖（圖2c）。CNN可以直接從圖像進(jìn)行預(yù)測(cè)，而無(wú)需依賴人工設(shè)計(jì)的中間步驟（圖2d）。

AI可以直接從蘇木精和伊紅染色樣本的常規(guī)組織病理學(xué)圖像預(yù)測(cè)抽象類別。特別是，即使訓(xùn)練數(shù)據(jù)集只有單個(gè)幻燈片的標(biāo)簽（圖3a），也可以獲得空間分辨率的預(yù)測(cè)（圖3b）。得分高的圖像塊可以可視化，允許人類專家檢查人工智能系統(tǒng)的合理性，并在人工智能的幫助下發(fā)現(xiàn)新功能（圖3c）。總之，這些方法可以在研究中實(shí)現(xiàn)各種應(yīng)用（圖3d），包括通過(guò)改進(jìn)研究隊(duì)列中組織的分子特征。

在臨床診斷中，AI方法可以預(yù)測(cè)結(jié)果和治療反應(yīng)，并直接從H&E染色組織病理切片推斷出一些遺傳改變（圖3e）。人工智能的能力并不局限于圖像分類，在圖像分類中，任務(wù)是預(yù)測(cè)與圖像相關(guān)的某種狀態(tài)。生成型模型可以復(fù)制圖像本身，并提供新的機(jī)會(huì)，包括對(duì)模型進(jìn)行高效和安全的培訓(xùn)。下面作者將概述人工智能在數(shù)字病理學(xué)中的關(guān)鍵概念和示例，重點(diǎn)介紹其對(duì)研究和臨床腫瘤學(xué)的影響。

癌癥研究和診斷中的應(yīng)用

作者描述了現(xiàn)有計(jì)算方法的適應(yīng)性如何幫助解決常規(guī)可用腫瘤組織切片中的復(fù)雜和臨床相關(guān)問(wèn)題。

自動(dòng)化常規(guī)組織病理學(xué)工作流程

腫瘤樣本的組織病理學(xué)評(píng)估包括福爾馬林固定、切割、石蠟包埋、H&E染色，然后由訓(xùn)練有素的病理學(xué)家使用顯微鏡進(jìn)行視覺(jué)表征。病理學(xué)家根據(jù)標(biāo)準(zhǔn)調(diào)查腫瘤組織的存在、亞型和其他組織學(xué)特征。

CNN擴(kuò)展了基于計(jì)算機(jī)的圖像分析功能，用于許多常規(guī)組織病理學(xué)任務(wù)。這些包括乳腺癌、前列腺癌或食管癌的腫瘤檢測(cè)，通常在活檢標(biāo)本或手術(shù)切除中進(jìn)行。CNN還可以對(duì)肺癌和腎癌進(jìn)行分型。此外，數(shù)字病理學(xué)能夠?qū)υl(fā)性未知的癌癥進(jìn)行分類，這些癌癥可能難以診斷和治療。最后，基于CNN的方法可用于勞動(dòng)密集型任務(wù)，如有絲分裂細(xì)胞計(jì)數(shù)。

通過(guò)深度學(xué)習(xí)擴(kuò)展傳統(tǒng)能力

在許多基本的圖像分類問(wèn)題中，無(wú)論是普通人還是專家，都可以從圖像數(shù)據(jù)本身得出基本的真相，算法最終再現(xiàn)人類的決策。然而，正如在腫瘤學(xué)研究和臨床應(yīng)用中通常做的那樣，也可以使用其他方式記錄的培訓(xùn)標(biāo)簽，增加了提高人類技能的潛力。

例如，人工智能系統(tǒng)已被用于直接從組織切片預(yù)測(cè)患者的存活率。在這種情況下，基本事實(shí)并不是由病理學(xué)專家從成像數(shù)據(jù)本身得出的，而是由臨床隨訪確定的。同樣，人工智能也被用于直接從病理切片預(yù)測(cè)腫瘤的遺傳特性。在后一種情況下，監(jiān)督預(yù)測(cè)任務(wù)的標(biāo)簽由下一代測(cè)序或類似的分子生物學(xué)方法定義。最后，AI方法通過(guò)直接從常規(guī)病理切片預(yù)測(cè)特定藥物的治療反應(yīng)，可能具有較高的臨床影響。

預(yù)后預(yù)測(cè)和治療反應(yīng)

預(yù)測(cè)性生物標(biāo)記物可以預(yù)測(cè)特定癌癥的自然進(jìn)程。組織病理學(xué)圖像數(shù)據(jù)包含重要的預(yù)測(cè)信息，如淋巴細(xì)胞計(jì)數(shù)、染色質(zhì)模式或組織類型比例，每種都可以通過(guò)特定的數(shù)字病理學(xué)方法進(jìn)行量化。端到端人工智能方法不受任何預(yù)定義模式的限制，但可以將許多事先已知的視覺(jué)線索拼湊在一起。這些方法可以在肝細(xì)胞癌、結(jié)直腸癌和腦腫瘤等其他腫瘤類型中產(chǎn)生準(zhǔn)確的風(fēng)險(xiǎn)評(píng)分。

與預(yù)后相比，更具臨床相關(guān)性的是預(yù)測(cè)特定治療反應(yīng)的能力，從而幫助腫瘤學(xué)家提出更好的治療建議。此類模型需要嚴(yán)格的、理想的前瞻性臨床驗(yàn)證，而組織病理學(xué)中基于AI的預(yù)測(cè)性生物標(biāo)記物尚需實(shí)現(xiàn)這一點(diǎn)。然而，許多概念驗(yàn)證研究已經(jīng)證明人工智能能夠直接從病理切片預(yù)測(cè)免疫治療或靶向治療的反應(yīng)。目前，包括組織病理學(xué)、放射學(xué)和基因組學(xué)在內(nèi)的多種來(lái)源的數(shù)據(jù)集成被廣泛認(rèn)為是使用人工智能改善精確腫瘤學(xué)患者預(yù)后的先決條件。

遺傳改變和基因表達(dá)預(yù)測(cè)

癌癥中的許多基因改變與特定的組織病理學(xué)表型有關(guān)。然而，在大多數(shù)腫瘤類型中，這種遺傳-形態(tài)學(xué)關(guān)聯(lián)并沒(méi)有被系統(tǒng)地使用。這可能部分是因?yàn)椴±韺W(xué)家需要定期對(duì)已知突變狀態(tài)的樣本進(jìn)行培訓(xùn)，以實(shí)現(xiàn)對(duì)此類突變的穩(wěn)健檢測(cè)。重要的是，已知組織病理學(xué)癌癥亞型之間的差異顯示出相似的分子變化趨勢(shì)，但通常發(fā)現(xiàn)關(guān)聯(lián)程度較弱，因此表明AI學(xué)習(xí)的組織病理學(xué)模式不是傳統(tǒng)分類的一部分。

方法創(chuàng)新

新技術(shù)的發(fā)展有助于不斷完善數(shù)字病理學(xué)方法，使從常規(guī)可獲得的組織切片中提取大量隱藏信息成為可能。

減少對(duì)標(biāo)記培訓(xùn)數(shù)據(jù)的需要

醫(yī)學(xué)圖像分析中的人工智能可以大致分為有監(jiān)督的（圖4a）和無(wú)監(jiān)督的（見(jiàn)圖4b）。在監(jiān)督方法中，目標(biāo)是預(yù)測(cè)給定輸入的已知標(biāo)簽，并評(píng)估模型的性能。組織病理學(xué)圖像分析中的一個(gè)常見(jiàn)分類問(wèn)題是從圖像數(shù)據(jù)預(yù)測(cè)腫瘤組織的臨床特性，例如，良好或較差的預(yù)后表型、腫瘤分級(jí)或相關(guān)基因的突變狀態(tài)。數(shù)字病理學(xué)中任何監(jiān)督學(xué)習(xí)問(wèn)題的關(guān)鍵缺點(diǎn)是生成標(biāo)記通常很費(fèi)力或昂貴。

無(wú)監(jiān)督方法不需要標(biāo)簽，但可以通過(guò)調(diào)查培訓(xùn)數(shù)據(jù)中的模式來(lái)提取與任務(wù)相關(guān)的知識(shí)，例如聚類、異常檢測(cè)和維度縮減（圖4b）。由于無(wú)監(jiān)督方法可以應(yīng)用于無(wú)基礎(chǔ)真值標(biāo)簽的原始數(shù)據(jù)，因此無(wú)監(jiān)督方法通常對(duì)于構(gòu)建超大數(shù)據(jù)集很有用。第三種方法，自我監(jiān)督學(xué)習(xí)（SSL），與無(wú)監(jiān)督學(xué)習(xí)有關(guān)（圖4c）。通過(guò)SSL，模型可以使用未標(biāo)記的數(shù)據(jù)學(xué)習(xí)圖像的形態(tài)等。

生成模型和合成數(shù)據(jù)

生成性對(duì)抗網(wǎng)絡(luò)（GAN）根據(jù)真實(shí)圖像集合進(jìn)行訓(xùn)練，然后合成與任何特定輸入圖像相似但不相同的新圖像（圖4d）。作者預(yù)計(jì)，在未來(lái)十年，現(xiàn)代生成模型將越來(lái)越多地用于計(jì)算病理學(xué)。它們還可以改善組織病理學(xué)中AI方法的可解釋性。

學(xué)習(xí)空間異構(gòu)模式

大多數(shù)人工智能方法最初是為非醫(yī)學(xué)應(yīng)用而開(kāi)發(fā)的，但由于組織病理學(xué)整張幻燈片圖像太大，無(wú)法由CNN直接處理，因此這一過(guò)程通常并不簡(jiǎn)單，因此在經(jīng)過(guò)一些延遲后被轉(zhuǎn)移到組織病理學(xué)圖像分析。實(shí)際上，所有的計(jì)算病理學(xué)研究都是通過(guò)從整個(gè)幻燈片圖像中提取小模塊或分片來(lái)解決這個(gè)問(wèn)題的（圖5a）。

然而，這導(dǎo)致了一個(gè)問(wèn)題：對(duì)于一個(gè)有監(jiān)督的預(yù)測(cè)任務(wù)，其中給定基因的突變狀態(tài)是預(yù)測(cè)目標(biāo)，標(biāo)簽只為整個(gè)幻燈片圖像定義，而不是為每一個(gè)分片定義，這使得有監(jiān)督的任務(wù)成為一個(gè)弱監(jiān)督的任務(wù)。通常，載玻片上都有腫瘤和非腫瘤組織（圖5b），只有腫瘤組織與分子改變有關(guān)。

從腫瘤組織生成的所有單個(gè)圖像塊都會(huì)繼承患者的基本真相標(biāo)簽（圖5c），隨后訓(xùn)練CNN預(yù)測(cè)每個(gè)圖像塊的突變狀態(tài)，然后在幻燈片上聚合圖像塊級(jí)別預(yù)測(cè)（圖5d）。一般來(lái)說(shuō)，只有腫瘤組織才應(yīng)該包含有關(guān)分子改變的信息。然而，在幻燈片中，腫瘤含量（即信噪比）足夠高，因此無(wú)需預(yù)先選擇圖像塊就可以從圖像塊進(jìn)行突變預(yù)測(cè)（圖5d）。

隱私保護(hù)：無(wú)數(shù)據(jù)交換的人工智能模型聯(lián)合培訓(xùn)

訓(xùn)練改進(jìn)的人工智能算法的一個(gè)基本要求是提供高質(zhì)量的訓(xùn)練數(shù)據(jù)。訓(xùn)練數(shù)據(jù)的大小和種類是在組織病理學(xué)中訓(xùn)練無(wú)偏見(jiàn)和高性能AI模型的關(guān)鍵。在某些情況下，實(shí)際和法律問(wèn)題阻礙了機(jī)構(gòu)大規(guī)模共享數(shù)據(jù)。這些情況下，在不共享任何數(shù)據(jù)的情況下共同訓(xùn)練AI模型可能是一種解決方案，既可以保護(hù)隱私，也可以結(jié)合不同機(jī)構(gòu)的計(jì)算能力。

組織病理學(xué)中的分布式學(xué)習(xí)有兩種主要方法。在聯(lián)合學(xué)習(xí)中，幾個(gè)模型是獨(dú)立訓(xùn)練的，每個(gè)模型都在一個(gè)單獨(dú)的數(shù)據(jù)集上（圖6b）。在培訓(xùn)過(guò)程中，參與者使用集中式服務(wù)器交換模型更新，而不會(huì)泄露數(shù)據(jù)本身。同樣，在群體學(xué)習(xí)中，多方共同訓(xùn)練一個(gè)模型，這種方法消除了對(duì)中央服務(wù)器的需要，允許直接使用對(duì)等網(wǎng)絡(luò)（圖6b）交換模型更新。與分布式系統(tǒng)相比，生成性人工智能是組織病理學(xué)數(shù)據(jù)共享問(wèn)題的一種可能解決方案（圖6c）。

走向臨床實(shí)施

人工智能目前廣泛用于癌癥研究，并擴(kuò)大了我們對(duì)腫瘤表型的定量理解。除了這些研究應(yīng)用之外，人工智能算法正在走向臨床應(yīng)用。然而，研究生物標(biāo)記物的臨床應(yīng)用并非微不足道，需要額外的預(yù)防措施，下面將詳細(xì)介紹。

質(zhì)量控制和穩(wěn)健性

要使算法在臨床上適用，它必須在不同臨床環(huán)境中預(yù)期的一系列數(shù)據(jù)集上準(zhǔn)確執(zhí)行并保持一致。不幸的是，當(dāng)將組織病理學(xué)AI解決方案部署到不同的數(shù)據(jù)集時(shí)，經(jīng)常會(huì)觀察到所謂的“領(lǐng)域轉(zhuǎn)移”，這意味著組織學(xué)圖像的屬性或預(yù)測(cè)分?jǐn)?shù)的分布是不同的。如果不采取緩解措施，這可能會(huì)對(duì)人工智能系統(tǒng)的性能產(chǎn)生不利影響，并導(dǎo)致錯(cuò)誤的預(yù)測(cè)。

緩解這一問(wèn)題的一種方法是確保有一個(gè)穩(wěn)健的質(zhì)量控制程序，使算法能夠檢測(cè)到異常的輸入數(shù)據(jù)。另一種方法是使用“領(lǐng)域適應(yīng)”方法，允許以無(wú)監(jiān)督的方式將人工智能模型擴(kuò)展到新數(shù)據(jù)集，而無(wú)需從頭開(kāi)始重新培訓(xùn)模型或收集新的標(biāo)記數(shù)據(jù)。此外，人工智能系統(tǒng)應(yīng)在日常使用前接受培訓(xùn)或至少在目標(biāo)人群中進(jìn)行驗(yàn)證。

人工智能系統(tǒng)中的偏差

此外，人工智能系統(tǒng)可以重現(xiàn)其所接受培訓(xùn)和分析的數(shù)據(jù)集中固有的偏差。這是一個(gè)問(wèn)題，因?yàn)樗梢詡鞑バ詣e歧視、種族主義和許多醫(yī)學(xué)數(shù)據(jù)集中固有的其他類型的歧視。其中一些問(wèn)題可以通過(guò)改進(jìn)質(zhì)量控制來(lái)解決，確保只有高質(zhì)量和適當(dāng)?shù)臄?shù)據(jù)才能用作人工智能模型的輸入。

人工智能系統(tǒng)的可解釋性和合理性

人工智能系統(tǒng)通常被稱為“黑箱”，因?yàn)樗鼈兊臎Q策過(guò)程往往不透明。普遍的共識(shí)是，缺乏固有的解釋性是有問(wèn)題的，因?yàn)檫@會(huì)產(chǎn)生偏見(jiàn)，給檢測(cè)假陽(yáng)性和假陰性帶來(lái)困難，也隱藏了可能來(lái)自人工智能的潛在見(jiàn)解。然而，一個(gè)表現(xiàn)良好的模型并不一定要能夠解釋才能有用。與算法決策相關(guān)的原型圖像的可視化可以是一種有用的方法。

然而，可視化并不等同于解釋，這些方法還遠(yuǎn)遠(yuǎn)不能真正解釋人工智能模型的內(nèi)部機(jī)制。這可能會(huì)隨著可解釋人工智能（XAI）算法的發(fā)展而改變，該算法還可以學(xué)習(xí)明確的抽象、規(guī)則，甚至是決策的自然語(yǔ)言描述。人工智能在連接圖像和文本方面取得的飛躍與組織病理學(xué)特別相關(guān)，在組織病理學(xué)中，算法不僅可以學(xué)習(xí)，還可以學(xué)習(xí)生成基本的組織病理學(xué)報(bào)告。

臨床人工智能工作流

隨著計(jì)算病理學(xué)領(lǐng)域的成熟，越來(lái)越多的高級(jí)編程包可用于學(xué)術(shù)用途。對(duì)于沒(méi)有編程技能的終端用戶來(lái)說(shuō)，開(kāi)源軟件QuPath仍然是分析圖像的強(qiáng)大方法。對(duì)于基本精通編程語(yǔ)言Python的研究人員來(lái)說(shuō)，多個(gè)軟件包允許輕松應(yīng)用端到端工作流，例如CLAM、DeepMed、TIAToolbox、PathML和slideflow。

盡管如此，目前的診斷常規(guī)仍然包括病理學(xué)家對(duì)最簡(jiǎn)單量化任務(wù)的目視評(píng)估。病理人工智能系統(tǒng)滯后的主要原因之一是，病理常規(guī)工作流程很少是完全數(shù)字化的。然而，數(shù)字病理應(yīng)用的好處預(yù)計(jì)將導(dǎo)致未來(lái)十年許多病理科組織病理學(xué)工作流程的數(shù)字化。

結(jié)論

人工智能算法提供了從大量分子和組織病理學(xué)數(shù)據(jù)中提取生物學(xué)和臨床相關(guān)信息的框架。除了診斷和預(yù)后任務(wù)外，人工智能算法揭示了不同的組織學(xué)模式，表明存在廣泛的分子和基因組改變。在某些情況下，當(dāng)有足夠的訓(xùn)練數(shù)據(jù)可用時(shí)，甚至可以從標(biāo)準(zhǔn)組織病理切片中預(yù)測(cè)潛在的遺傳改變，其準(zhǔn)確性可與MSI的分子檢測(cè)相媲美。

雖然基于人工智能的預(yù)測(cè)因子不太可能完全取代基因組分析，但它們可以作為一種現(xiàn)成的第一診斷工具，提供評(píng)估未知重要性的基因組改變是否產(chǎn)生預(yù)期表型的能力，并提供空間背景。后者尤其重要，因?yàn)槟[瘤不是同質(zhì)的，而是由遺傳多樣的癌細(xì)胞組成的生態(tài)系統(tǒng)，它們與廣泛的正常細(xì)胞類型相互作用。通過(guò)人工智能了解細(xì)胞表型和相互作用的這種模式將為癌癥生物學(xué)提供新的見(jiàn)解，并為識(shí)別新的臨床生物標(biāo)記物奠定基礎(chǔ)。

國(guó)際數(shù)據(jù)共享將有助于為臨床實(shí)踐培訓(xùn)更健壯、更準(zhǔn)確的算法。這需要更具彈性的人工智能算法和創(chuàng)新的分布式學(xué)習(xí)方法來(lái)支持，這將有助于克服數(shù)據(jù)保護(hù)產(chǎn)生的障礙，并使各方能夠從共享數(shù)據(jù)存儲(chǔ)中受益。與基因組醫(yī)學(xué)的新興領(lǐng)域類似，基因組醫(yī)學(xué)是由負(fù)擔(dān)得起的測(cè)序技術(shù)和可靠的算法驅(qū)動(dòng)的，為腫瘤治療提供信息，人工智能支持的計(jì)算病理學(xué)可能會(huì)改變未來(lái)癌癥的診斷、研究和治療方式。

教授介紹

Jakob Nikolas Kather就職于德國(guó)海德堡大學(xué)醫(yī)院，在基于計(jì)算機(jī)的臨床成像方法領(lǐng)域進(jìn)行研究。他的工作成果有助于進(jìn)一步發(fā)展復(fù)雜圖像數(shù)據(jù)的評(píng)估和解釋，有助于腫瘤的診斷和治療，尤其是在結(jié)腸癌的預(yù)防方面。這使得Kather成為少數(shù)能夠開(kāi)發(fā)IT解決方案的科學(xué)家和醫(yī)生之一，這些解決方案在醫(yī)學(xué)領(lǐng)域得到高度認(rèn)可。

他的研究重點(diǎn)是人工智能在癌癥臨床實(shí)踐中的應(yīng)用。通過(guò)他的計(jì)算腫瘤學(xué)研究小組，整合了不同專業(yè)之間的差距。醫(yī)生學(xué)習(xí)編程，而具有信息學(xué)或工程背景的研究人員學(xué)習(xí)識(shí)別和解決相關(guān)臨床問(wèn)題。其目的是進(jìn)一步發(fā)展復(fù)雜圖像數(shù)據(jù)的評(píng)估和解釋，從而改進(jìn)診斷和治療方法，例如在結(jié)直腸癌或胃癌等腫瘤疾病中，也在炎癥疾病或移植醫(yī)學(xué)中。

參考文獻(xiàn)

Shmatko A, Ghaffari Laleh N, Gerstung M, Kather JN. Artificial intelligence in histopathology: enhancing cancer research and clinical oncology. Nat Cancer. 2022;3(9):1026-1038. doi:10.1038/s43018-022-00436-4