开发用于乳腺癌精准病理学的AI工具
乳腺癌是全球女性最常见的癌症类型，但死亡率持续下降。对此的部分解释可能是正在为乳腺癌患者的亚群开发有效的治疗方法。然而，为每个人优化治疗计划仍然具有挑战性。
在她的论文中，医学流行病学和生物统计学系的 Yinxi Wang 旨在改善疾病结果并减少与不必要的治疗和药物不良反应相关的负担。Yinxi 旨在开发基于人工智能的工具，以改善乳腺癌患者的个体化医疗。
你的论文中最重要的结果是什么?
我的论文包括四项研究，在这些研究中，我们开发了深度学习模型以改善组织学分级并建立可扩展的方法来预测肿瘤平均或空间基因表达水平。我们还试图根据组织学模式或肿瘤内基因表达异质性对乳腺癌患者进行分层，以制定未来的个性化治疗方案。我们确实沿着这条路走了几步，我们的模型使用为诊断目的而常规收集的整个幻灯片图像进行了优化，从而不需要额外的组织取样，即与分子诊断相比，这是一种具有成本效益的解决方案。
你为什么选择研究这个特定领域?
我工作的领域是一个称为计算病理学的跨学科领域，我们在其中开发基于人工智能的计算工具，以促进癌症诊断和患者特征描述。
该领域吸引我主要有两个原因：首先，病理学是一个非常重要的领域，长期以来一直是诊断癌症的核心部分; 此外，从诊断组织切片中可以观察到的形态模式反映了个体肿瘤之间的内在差异，因此，可以提取大量信息以改进精准医疗，这种可能性使得该领域对我来说非常迷人。其次，技术的进步，包括基于人工智能的建模的新发展，使大量组织切片的快速数字化和分析成为可能，从而可以通过整合大量病理数据来提取关键信息，并通过以下方式进一步促进精准病理学：构建强大的量化解决方案。为此目的进行统计和机器学习建模一直是我最感兴趣的研究领域。
你认为在这个研究领域应该做些什么?
一方面，深度学习仍然是一种强大的工具，有可能帮助解决许多临床遗留问题;另一方面，必须进行更多研究以加强此类模型在实际应用中的性能。
对于第一个方面，有很多令人兴奋的研究可以进行。例如，现在可以结合包括放射学和组织学图像数据以及分子数据在内的信息来更全面地了解个体肿瘤，从而进一步促进精准医疗。
对于第二个方面，我们仍然需要想方设法提高模型在处理领域转移或异常实例时的泛化能力;我们还需要大规模的验证研究来收集更多关于所提议方法的潜在好处的证据。
版权声明：本文由用户上传，如有侵权请联系删除！