转移性肿瘤，指的是癌细胞脱离其原始组织，通过循环或淋巴系统穿过身体，并在身体的其他部位形成新的肿瘤，这是众所周知非常难以检测的一种肿瘤。2009年，在波士顿，两家医疗中心对102名乳腺癌患者进行的一项研究发现，有四分之一的患者都由于医疗过程中“照护程序”失败，而受到了不同程度的影响，例如可能是因为身体检查不充分和诊断检查不完整。

全球有50万人因乳腺癌死亡，他们当中有90%都是转移性肿瘤。圣地亚哥海军医疗中心的研究人员，以及致力于的Google人工智能部门研究人员，目前开发出了一种可期的解决方案，该解决方案采用癌症检测算法，可自动评估淋巴结活检。

他们的AI系统，又被称为淋巴结助手(LYNA)，一篇发表在《美国外科病理学》杂志上，题为《基于人工智能的乳腺癌淋巴结转移检测》的论文中对该系统有所描述。在测试中，它的接收器工作特性(AUC)下面积(一种检测精度的测量)能达到99%，这是病理检验师所做不到的。根据最近的一项评估，病理检验师在时间限制下有62%的时间发现不了个别载玻片上的小转移现象。

该论文的作者写道：“人工智能算法可以详尽地评估幻灯片上的每个组织切片。我们提供了一个框架，以帮助实践中的病理学家评估这些算法，并把它们纳入自己的工作流程(类似于病理学家如何评估免疫组织化学结果这样的内容)。”

LYNA模型是一种开源的基于Inception-v3的图像识别深度学习模型，在斯坦福的ImageNet数据集拎已经被证明可以实现78.1%的准确率。正如研究人员所解释的那样，它需要一个299像素的图像(Inception-v3的默认输入大小)作为输入值，然后在像素大小的级别上显示出肿瘤的轮廓，并且在训练过程中，得到标签——即预测该组织切片是“良性”还是“肿瘤”，并调整模型的算法权重以减少误差。

该团队通过将LYNA模型置于正常切片比肿瘤切片为4：1比例的这样一个训练环境中，并提高训练过程的“计算效率”，改进了他们先前公布的算法，这使得通过该算法可以“看到”更多的组织多样性。此外，他们还对活检玻片扫描的变化进行了标准化，他们认为这可以将模型的性能提升到更高的程度。

研究人员将LYNA模型置于2016年淋巴数据集中(Camelyon16)的癌症转移数据环境里进行训练，该数据集来自于Radboud大学(Nijmegen， the Netherlands)和Utrecht大学(Utrecht， the Netherlands)的医学中心，里面包含了399个淋巴结切片的玻片图像，以及来自20名患者的108张图像。它对270个载玻片(160个正常，110个肿瘤)进行了训练，并使用了两个评估集——一个由129个载玻片组成，另一个由108个载玻片组成，来进行性能评估。

在测试中，LYNA模型实现了99.3%的载玻片级精度。当调整模型的灵敏度阈值，来检测每张载玻片上的所有肿瘤时，其灵敏度为69%，能准确识别评估数据集中的全部的40个转移灶，没有任何误报。此外，它不受载玻片中的人工制品的影响，例如气泡，加工不良，出血和过度涂抹等现象。

LYNA模型并不完美，它偶尔会错误地识别巨细胞，生发癌和骨髓，他们来源于被称作组织细胞的白细胞，但在评估相同载玻片时，它的表现的确比病理学家们更好。在谷歌AI和Verily(谷歌母公司Alphabet的一个生命科学子公司)发表的第二篇论文中，该模型检测淋巴结转移的时间，与一个由六位权威认证的病理学家组成团队相比的话，缩短了一半。

未来的工作将围绕调查该算法是否能提高效率或诊断准确性。

研究人员写道，“LYNA模型与病理学家相比，监测肿瘤敏感度水平更高。这些技术可以提高病理学家的生产力，减少肿瘤细胞形态学检测方面的假阴性数量。”

Google已广泛投资于人工智能医疗保健的相关应用程序。今年春天，Mountain View公司的Medical Brain团队声称创建了一个AI系统，可以预测再入院的可能性，并且他们在6月份使用它来预测了两家医院的死亡率，准确率达90%。2月份，谷歌和Verily的科学家创建了一个机器学习网络，可以准确地推断出一个人的基本身体信息，包括他们的年龄和血压，以及他们是否有患心脏病等重大心脏类疾病风险。

DeepMind，Google在伦敦的人工智能研究部门，参与了几项与健康相关的人工智能项目，其中包括美国退伍军人事务部正在进行的一项试验，旨在预测患者在住院期间病情的恶化实践。此前，它与英国国家健康服务中心合作开发了一种可以寻找早期失明迹象的算法。今年早些时候，一篇发表于Medical Image Computing & Computer Assisted Intervention会议上的论文中，DeepMind的研究人员表示，他们已经开发出一种能够以“近乎人性化”的方式对CT扫描进行划分的AI系统。