機器輔助的病理性識別一直專注于監督式學習（SL，Supervised Learning），而SL受到了顯著的注釋瓶頸的影響。近日，一篇發表在國際雜志Nature Communications上題為“Accurate recognition of colorectal cancer with semi-supervised deep learning on pathological images"的研究報告中，來自中國中南大學等機構的科學家門通過研究發現，人工智能技術（AI）或能從組織掃描結果中準確檢測并診斷結直腸癌，其效果要比病理學家好很多。相關研究結果或有望幫助研究人員檢測是否AI能作為一種有力的工具來幫助病理學家緊跟對其服務不斷增長的需求。

結腸類癌的組織病理學圖像。

病理學家會定期評估和標記數千張組織病理學圖片從而幫助判斷某個個體是否患有癌癥，但其平均的工作量就會大幅增加，有時可能也會因為過于疲憊而造成意外的誤診。研究者Hong-Wen Deng教授說道，盡管進行的很多工作都是重復性的，但大多數的病理學家都很繁忙，因為其工作需求很大，而全球缺乏大量合格的病理學家，尤其是在發展中國家，這種情況尤為嚴重。本文研究就為解決目前的現狀帶來了革命性的變革，研究人員成功利用人工智能技術以一種成本效益的方式識別并診斷了結直腸癌，這或許最終有望改善病理學家的工作效率并減少其工作量。

這篇研究報告中，研究人員從中國、德國和美國的8803名受試者和13個獨立的癌癥研究中心收集了超過1.3萬張結直腸癌圖像，利用這些由技術人員隨機選擇的圖像，研究人員構建了一種由機器輔助的病理識別程序，這或許就能使計算機識別出揭示結直腸癌的圖像，結直腸癌是引發歐洲和美國人群因癌癥死亡的最常見的原因。研究者Deng說道，這項研究的挑戰在于復雜的大圖像尺寸、復雜的形狀、紋理和核染色的組織學改變；但最終研究結果表明，當研究者利用人工智能技術診斷結直腸癌時，其所表現出的性能堪比真正的病理學家，甚至在很多情況下要比真正的病理學家表現更好。

受試者工作特征（ROC）曲線下的面積（AUC）就是研究者用來確定本文研究是否成功的性能測量工具；當將計算機的結果與經驗豐富的病理學家人工解釋的數據進行比較厚，病理學家手動識別結直腸癌的平均得分為0.969分，而機器輔助的人工智能計算機程序的平均得分則為0.98分，即使并不是非常準確，但其之間的得分也是相當的。利用人工智能技術來識別癌癥是近年來應運而生的一種新技術，目前其還并未被很多研究人員所廣泛接受。研究者Deng希望本文研究或能讓更多的病理學家們在未來診斷疾病時使用這種預篩選技術來幫其進行快速診斷。

盡管這項研究目前仍處于研究階段，而且還并未商業化，但研究者相信通過更多科學家的合作并在更多的臨床環境中進行測試和實施，其未來應用于臨床的希望非常之大；隨著人工智能技術的進一步發展，未來其將會被用于診斷多種不同的人類癌癥；而且使用人工智能技術診斷癌癥還能加速整個診斷過程，并能為患者和臨床醫生節省大量時間，同時還能讓患者更快地接受治療從而及時挽救生命。

綜上，本文研究結果表明，半監督學習(Semi-supervised Learning)技術或能明顯減少注釋，從而或能潛在有效地幫助建立專家級別的病理人工智能平臺，來幫助診斷人類癌癥。

本文所用圖片及內容均來源于網絡收集整理，僅供學習交流，版權歸原作者所有，并不代表我站觀點。本站將不承 擔任何法律責任，如果有侵犯到您的權利，請及時聯系我們刪除。

來源：生物谷

科研實驗中，細胞的體外培養一直是一個重要環節。細胞要養好，就要用好血清，如Ausbian®特級胎牛血清，它適合各種細胞培養，尤其適合難養細胞，如：干細胞、肝細胞，神經細胞，原代培養、細胞融合、轉染細胞等。

Ausbian®特級胎牛血清所有血清出廠前，均經過嚴格質控，每個批次附有詳細完整的《檢測報告》，包括：品名，貨號，批號，血源地，生產日期，保質期，pH值、滲透壓、血紅蛋白、總蛋白、球蛋白、IgG、內毒素、無菌檢查（細菌、真菌、支原體）、病毒檢查（如BVD、牛腺病毒、細胞病變效應等）、促細胞生長能力、細胞毒性、BVD-1/2抗體檢查等。

實驗人對于新批次血清，應認真審閱《檢測報告》，做好試用前篩選第一步。（如何看懂《檢測報告》，可登陸“締一生物"網站，留言技術部，得到免費幫助。）

它在國內市場經歷十幾年，被眾多科研工業客戶反復選擇，也是細胞典藏等重大項目十幾年的供應品牌